JP7287266B2 - 機械学習装置、データ処理システム、機械学習方法、およびデータ処理方法 - Google Patents

Description

本発明は、画像形成装置の制御情報と画像形成装置が出力した印刷物との間の相関関係を学習する機械学習装置および機械学習方法と、これらの機械学習装置および機械学習方法によって得られた学習済モデルを利用した、データ処理システムおよびデータ処理方法に関する。

複写機、プリンタ、複合機に代表される電子写真式の画像形成装置は、例えばオフィス環境において広く普及している。また、近年にあっては、医療分野、製造業、あるいは流通業といった産業分野における特定の業種の特定の業務に特化した印刷（以下、「インダストリープリント」ともいう）のニーズに対しても、電子写真式の画像形成装置が利用されている。

インダストリープリントとしては、例えば商品のパッケージ印刷、ワインボトル等に貼付されるラベル印刷、あるいは結婚式の招待状の印刷等を挙げることができる。例示のものから分かるように、インダストリープリントにおける印刷物は、その印刷の質（画質）が商品やサービスの価値に大きな影響を及ぼすものが少なくない。そのため、インダストリープリントにおける印刷物に関しては、印刷の質が特に重要視される。

他方、インダストリープリントは、オフィス等で通常実施される一般用紙（Ａ４普通紙、Ｂ４普通紙等）を用いた印刷とは異なり、使用される目的や用途に応じて特殊な媒体、例えば厚紙、長尺紙、和紙、板紙、洋紙、フィルム、ラベル、封筒等が使用される。このような多種多様な媒体（以下、これらを総じて「印刷媒体」と呼ぶ）に対して、共通の画像形成装置を用いて印刷を行う場合、印刷時における画像形成装置の制御情報（制御パラメータ）を印刷媒体に合わせて調整する必要がある。

例えば特許文献１には、ユーザから薄形、中形、通常形、厚形等の用紙厚に従って用紙別に設定される用紙選択キーの入力を受け付け、受け付けた用紙選択キーに応じた転写電圧および定着温度をセットする電子写真式の画像形成装置が開示されている。この方法を採用すれば、用紙厚に応じて制御情報の調整を図ることができる。

特開平０９－３２９９９４号公報

画像形成装置では、印刷の質が高いことが望まれており、さらなる印刷の質の向上が期待されている。

印刷の質を高めることができる機械学習装置、データ処理システム、機械学習方法、およびデータ処理方法を提供することが望ましい。

本発明の一実施の形態における機械学習装置は、状態変数取得部と、教師データ取得部と、学習済モデル生成部とを備えている。状態変数取得部は、第１の印刷速度および第２の印刷速度を含む複数の印刷速度で印刷可能な画像形成装置による第１の印刷速度での印刷結果を含む第１の状態変数データセット、および画像形成装置による第２の印刷速度での印刷結果を含む第２の状態変数データセットを取得するものである。教師データ取得部は、第１の印刷速度に対応する第１の教師データ、および第２の印刷速度に対応する第２の教師データを取得するものである。学習済モデル生成部は、第１の状態変数データセットおよび第１の教師データに基づいて機械学習を行うことにより第１の学習済モデルを生成するとともに、第２の状態変数データセットおよび第２の教師データに基づいて機械学習を行うことにより第２の学習済モデルを生成するものである。第１の状態変数データセットおよび第２の状態変数データセットのそれぞれは、実際に印刷がなされた実印刷物における特徴量情報と、実印刷物に用いられた印刷媒体の媒体情報と、実印刷物を出力した際の画像形成装置の制御情報である第１の制御情報とを含んでいる。第１の教師データおよび第２の教師データのそれぞれは、第１の印刷速度および第２の印刷速度のうちの対応する印刷速度で印刷がなされた場合の特徴量情報が所定の閾値以下になるような制御情報である第２の制御情報と、対応する印刷速度で第２の制御情報を用いて印刷を行った場合における印刷不良値とを含んでいる。

本発明の一実施の形態におけるデータ処理システムは、実印刷物情報取得部と、データ処理部と、制御情報記憶部とを備えている。実印刷物情報取得部は、第１の印刷速度および第２の印刷速度を含む複数の印刷速度で印刷可能な画像形成装置による第１の印刷速度での印刷結果を含む第１のデータセット、および画像形成装置による第２の印刷速度での印刷結果を含む第２のデータセットを取得するものである。データ処理部は、第１のデータセット、第２のデータセット、上記機械学習装置によって生成された第１の学習済モデルおよび第２の学習済モデルに基づいて、第３の制御情報を出力するものである。制御情報記憶部は、データ処理部から出力された第３の制御情報を記憶するものである。第１のデータセットおよび第２のデータセットのそれぞれは、実際に印刷がなされた実印刷物における特徴量情報と、実印刷物に用いられた印刷媒体の媒体情報と、実印刷物を出力した際の画像形成装置の制御情報である第１の制御情報とを含んでいる。データ処理部は、第１のデータセットに含まれる情報を第１の学習済モデルに入力することにより、画像形成装置の制御情報およびその制御情報を用いて印刷を行った場合における印刷不良値を算出し、第２のデータセットに含まれる情報を第２の学習済モデルに入力することにより、画像形成装置の制御情報およびその制御情報を用いて印刷を行った場合における印刷不良値を算出し、第１の学習済モデルを用いて算出した印刷不良値が第２の学習済モデルを用いて算出した印刷不良値よりも小さい場合には、第１の学習済モデルを用いて算出した制御情報および第１の印刷速度を示す速度制御情報を第３の制御情報として出力し、第２の学習済モデルを用いて算出した印刷不良値が第１の学習済モデルを用いて算出した印刷不良値よりも小さい場合には、第２の学習済モデルを用いて算出した制御情報および第２の印刷速度を示す速度制御情報を第３の制御情報として出力するものである。

本発明の一実施の形態における機械学習方法は、コンピュータを用いて、第１の印刷速度および第２の印刷速度を含む複数の印刷速度で印刷可能な画像形成装置による第１の印刷速度での印刷結果を含む第１の状態変数データセット、および画像形成装置による第２の印刷速度での印刷結果を含む第２の状態変数データセットを取得する第１の処理と、コンピュータを用いて、第１の印刷速度に対応する第１の教師データ、および第２の印刷速度に対応する第２の教師データを取得する第２の処理と、コンピュータを用いて、第１の状態変数データセットおよび第１の教師データに基づいて機械学習を行うことにより第１の学習済モデルを生成するとともに、第２の状態変数データセットおよび第２の教師データに基づいて機械学習を行うことにより第２の学習済モデルを生成する第３の処理とを含んでいる。第１の状態変数データセットおよび第２の状態変数データセットのそれぞれは、実際に印刷がなされた実印刷物における特徴量情報と、実印刷物に用いられた印刷媒体の媒体情報と、実印刷物を出力した際の画像形成装置の制御情報である第１の制御情報とを含んでいる。第１の教師データおよび第２の教師データのそれぞれは、第１の印刷速度および第２の印刷速度のうちの対応する印刷速度で印刷がなされた場合の特徴量情報が所定の閾値以下になるような制御情報である第２の制御情報と、対応する印刷速度で第２の制御情報を用いて印刷を行った場合における印刷不良値とを含んでいる。

本発明の一実施の形態におけるデータ処理方法は、コンピュータを用いて、第１の印刷速度および第２の印刷速度を含む複数の印刷速度で印刷可能な画像形成装置による第１の印刷速度での印刷結果を含む第１のデータセット、および画像形成装置による第２の印刷速度での印刷結果を含む第２のデータセットを取得する第１のデータ処理と、コンピュータを用いて、第１のデータセット、第２のデータセット、上記機械学習方法によって生成された第１の学習済モデルおよび第２の学習済モデルに基づいて、第３の制御情報を出力する第２のデータ処理と、コンピュータを用いて、出力された第３の制御情報を記憶する第３のデータ処理とを含んでいる。第１のデータセットおよび第２のデータセットのそれぞれは、実際に印刷がなされた実印刷物における特徴量情報と、実印刷物に用いられた印刷媒体の媒体情報と、実印刷物を出力した際の画像形成装置の制御情報である第１の制御情報とを含んでいる。第２のデータ処理は、第１のデータセットに含まれる情報を第１の学習済モデルに入力することにより、画像形成装置の制御情報とおよびその制御情報を用いて印刷を行った場合における印刷不良値を算出することと、第２のデータセットに含まれる情報を第２の学習済モデルに入力することにより、画像形成装置の制御情報およびその制御情報を用いて印刷を行った場合における印刷不良値を算出することと、 第１の学習済モデルを用いて算出した印刷不良値が第２の学習済モデルを用いて算出した印刷不良値よりも小さい場合には、第１の学習済モデルを用いて算出した制御情報および第１の印刷速度を示す速度制御情報を第３の制御情報として出力し、第２の学習済モデルを用いて算出した印刷不良値が第１の学習済モデルを用いて算出した印刷不良値よりも小さい場合には、第２の学習済モデルを用いて算出した制御情報および第２の印刷速度を示す速度制御情報を第３の制御情報として出力することとを含んでいる。

本発明の一実施の形態における機械学習装置および機械学習方法によれば、第１の印刷速度での印刷結果を含む第１の状態変数データセットおよび第１の印刷速度に対応する第１の教師データに基づいて機械学習を行うことにより第１の学習済モデルを生成するとともに、第２の印刷速度での印刷結果を含む第２の状態変数データセットおよび第２の印刷速度に対応する第２の教師データに基づいて機械学習を行うことにより第２の学習済モデルを生成するようにしたので、印刷の質を高めることができる。

本発明の一実施の形態におけるデータ処理システムおよびデータ処理方法によれば、第１の印刷速度に対応する第１の学習済モデルを用いて算出した印刷不良値が第２の印刷速度に対応する第２の学習済モデルを用いて算出した印刷不良値よりも小さい場合には、第１の学習済モデルを用いて算出した制御情報および第１の印刷速度を示す速度制御情報を第３の制御情報として出力し、第２の印刷速度に対応する第２の学習済モデルを用いて算出した印刷不良値が第１の印刷速度に対応する第１の学習済モデルを用いて算出した印刷不良値よりも小さい場合には、第２の学習済モデルを用いて算出した制御情報および第２の印刷速度を示す速度制御情報を第３の制御情報として出力するようにしたので、印刷の質を高めることができる。

本発明の一実施の形態に係る画像形成装置の一構成例を表す概略構造図である。 転写部の二次転写ローラ付近における、印刷媒体上のトナーの状態の一例を表す説明図である。 転写部の二次転写ローラ付近における、印刷媒体上のトナーの状態の他の例を表す説明図である。 定着部付近における、印刷媒体上のトナーの状態の一例を表す説明図である。 定着部付近における、印刷媒体上のトナーの状態の他の例を表す説明図である。 一実施の形態に係る機械学習装置の一構成例を表す概略ブロック図である。 機械学習を行う際に必要なデータの一例を表す表である。 図４に示した機械学習装置において実施される教師あり学習のためのニューラルネットワークモデルの一例を表す説明図である。 図４に示した記憶部に記憶されたデータの一例を表す説明図である。 図４に示した機械学習装置における機械学習方法の一例を表すフローチャートである。 変形例に係る機械学習装置の記憶部に記憶されたデータの一例を表す説明図である。 変形例に係る機械学習装置における機械学習方法の一例を表すフローチャートである。 一実施の形態に係るデータ処理システムの一構成例を表す概略ブロック図である。 図１１に示した記憶部に記憶されたデータの一例を表す説明図である。 図１１に示した記憶部に記憶されたデータの他の例を表す説明図である。 図１１に示したデータ処理システムにおいて実行されるデータ処理方法の一例を表すフローチャートである。 変形例に係るデータ処理システムの一構成例を表す概略ブロック図である。

以下、本発明の実施の形態について、図面を参照して詳細に説明する。なお、説明は以下の順序で行う。
１．画像形成装置
２．機械学習装置
３．機械学習方法
４．機械学習装置および機械学習方法の変形例
５．データ処理システムおよびデータ処理方法
６．データ処理システムおよびデータ処理方法の変形例
以下では本発明の目的を達成するための説明に必要な範囲を模式的に示し、本発明の該当部分の説明に必要な範囲を主に説明することとし、説明を省略する箇所については公知技術によるものとする。

初めに、本発明の一実施の形態に係る機械学習装置および機械学習方法の学習対象としての、印刷出力を行う電子写真式の画像形成装置の基本的な構成について、以下に簡単に説明する。

＜１．画像形成装置＞
図１は、本発明の一実施の形態において用いられる画像形成装置の概略構造図である。ここで例示される画像形成装置１０は、いわゆる中間転写方式のフルカラーＬＥＤ（Light Emitting Diode）プリンタであり、図１に示すように、印刷媒体供給部２０と、画像形成部３０と、転写部４０と、定着部５０と、出力部６０と、制御部７０とを備える。

印刷媒体供給部２０は、印刷媒体ＰＭを画像形成装置１０内に供給するためのものであり、用紙トレイ２１と、手差しトレイ２２と、複数の給紙ローラ２３とを有する。用紙トレイ２１は、複数の印刷媒体ＰＭが積層され収容されるものである。この用紙トレイ２１内に収容される印刷媒体ＰＭは、一般用紙（Ａ４普通紙、Ｂ４普通紙等）であるのが一般的である。手差しトレイ２２は、画像形成装置１０本体側面に収納可能に設けられ、主に一般用紙とは異なる特殊な印刷媒体ＰＭに印刷を行う場合に、当該特殊な印刷媒体ＰＭを給紙するためのトレイである。よって、インダストリープリントを行う場合には、主にこの手差しトレイ２２が使用される。複数の給紙ローラ２３は、用紙トレイ２１内の、あるいは手差しトレイ２２に載置された印刷媒体ＰＭを搬送経路ＰＬに搬送するために適所に配置されたローラである。複数の給紙ローラ２３の回転速度は、後述する制御部７０により制御される。

画像形成部３０は、トナー像を形成するためのものであり、並列配置された複数（本実施の形態においては５つ）の画像形成ユニット３１（画像形成ユニット３１Ｃ、３１Ｍ、３１Ｙ、３１Ｋ、３１Ｓ）を有する。これら複数の画像形成ユニット３１Ｃ、３１Ｍ、３１Ｙ、３１Ｋ、３１Ｓは、トナー色が異なるのみでその構成は基本的に同一のものであり、主に、感光体ドラムと、帯電ローラと、現像ローラと、ＬＥＤヘッドと、トナータンクとを備える。感光体ドラムの回転速度は、後述する制御部７０により制御される。なお、これらの各構成による画像形成プロセスについては、周知のものと同様のプロセスを採用でき、ここでは詳細な説明を省略する。

複数の画像形成ユニット３１Ｃ、３１Ｍ、３１Ｙ、３１Ｋ、３１Ｓは、それぞれシアン
（Ｃｙａｎ）、マゼンタ（Ｍａｇｅｎｔａ）、イエロー（Ｙｅｌｌｏｗ）、いわゆるキープレート（Ｋｅｙ ｐｌａｔｅ）に対応するブラック、および特殊色のトナー像を形成するためのユニットであり、これら複数の画像形成ユニット３１を採用することにより、フルカラー印刷を可能としている。各画像形成ユニット３１で形成されたトナー像は、後述する転写部４０の中間転写ベルト４１に転写される。なお、上記特殊色のトナーとしては、例えばホワイトトナー、クリアトナー、あるいは蛍光色（ネオンイエロー等）トナーを採用することができる。

転写部４０は、画像形成部３０で形成されたトナー像を印刷媒体ＰＭに転写するためのものであり、中間転写ベルト４１と、複数の一次転写ローラ４２（一次転写ローラ４２Ｃ、４２Ｍ、４２Ｙ、４２Ｋ、４２Ｓ）と、バックアップローラ４３と、二次転写ローラ４４とを備える。中間転写ベルト４１は、駆動用のローラ等を含む複数のローラに支持され主にゴム等の樹脂材料から構成された無端の弾性ベルトである。この中間転写ベルト４１の表面には、画像形成ユニット３１で形成された各色のトナー像が転写（一次転写）されて形成され、この形成されたトナー像は後に印刷媒体ＰＭに転写（二次転写）される。複数の一次転写ローラ４２Ｃ、４２Ｍ、４２Ｙ、４２Ｋ、４２Ｓは、画像形成ユニット３１で形成された各色のトナー像を中間転写ベルト４１に転写するためのものであり、複数の画像形成ユニット３１Ｃ、３１Ｍ、３１Ｙ、３１Ｋ、３１Ｓそれぞれの感光体ドラムに対向配置され、且つ対向する各感光体ドラムとの間に中間転写ベルト４１を挟持するように配置される。一次転写ローラ４２には、所定の一次転写電圧が印加される。一次転写電圧は、後述する制御部７０により制御される。各種ローラの回転速度は、後述する制御部７０により制御される。

バックアップローラ４３は、中間転写ベルト４１を支持する複数のローラのうちの１つであり、後述する二次転写ローラ４４に中間転写ベルト４１を間に介して対向する位置に配置される。二次転写ローラ４４は、搬送経路ＰＬの途中であって、バックアップローラ４３に中間転写ベルト４１を間に介して対向する位置に配置されており、この二次転写ローラ４４と中間転写ベルト４１との間に印刷媒体ＰＭを通過させる際に、中間転写ベルト４１に予め形成されたトナー像を転写するべく機能する。この二次転写ローラ４４には、所定の二次転写電圧が印加される。二次転写電圧は、後述する制御部７０により制御される。

定着部５０は、転写部４０でトナー像が転写された印刷媒体ＰＭに熱と圧力を付与することで、トナー像を印刷媒体ＰＭ上に定着させるためのものであり、定着ローラ５１と加圧ローラ５２とを備える。定着ローラ５１は、その内部にヒータ（図示省略）が内蔵され、このヒータに供給される電流の電流値によりトナー定着温度が制御されている。このヒータに供給される電流の電流値は、後述する制御部７０によって制御される。加圧ローラ５２は、定着ローラ５１に対して付勢力が付与されている。これにより、定着ローラ５１と加圧ローラ５２との間を通過する印刷媒体ＰＭには所定の定着圧力が印加される。各種ローラの回転速度は、後述する制御部７０により制御される。なお、本実施の形態においては、加圧ローラ５２を定着ローラ５１に対して付勢する構成を採用しているが、加圧ローラ５２に代えて固定されたバックアップローラを採用し、定着ローラ５１をバックアップローラに対して付勢するような構成を採用してもよい。

出力部６０は、定着部５０によりトナー像が定着された印刷媒体ＰＭを実印刷物ＡＰとして画像形成装置１０の外部に出力するものであり、排出トレイ６１と、複数の搬送ローラ６２とを備える。排出トレイ６１は、画像形成装置１０の上部に形成され、搬送経路ＰＬを経て出力された実印刷物ＡＰが載置されるものである。複数の搬送ローラ６２は、搬送経路ＰＬの各所に設けられ、印刷媒体ＰＭを排出トレイ６１まで搬送するものである。複数の搬送ローラ６２の回転速度は、後述する制御部７０により制御される。なお、出力部６０のいずれかの位置に、トナー像を定着した際に生じた熱を除去するための冷却手段を任意で設けても良い。冷却手段としては、例えば搬送ローラ６２の少なくとも一部に放熱機能を有するローラを採用する、あるいは冷却手段として周知のヒートパイプやヒートシンク、ファン等を出力部６０の所定位置に配置する等の構成を採用できる。

制御部７０は、画像形成装置１０の各部を制御するためのものであり、周知のＣＰＵ（Central Processing Unit）や記憶手段等からなる。この制御部７０は、例えば、画像形成装置１０における各種ローラの回転速度を制御することにより、画像形成装置１０における印刷速度を制御する。また、制御部７０は、例えば、二次転写ローラ４４に印加される二次転写電圧を制御する。また、制御部７０は、例えば、定着ローラ５１内部のヒータに供給する電流の電流値を制御することにより、トナー定着温度を制御する。

この例では、中間転写方式のフルカラーＬＥＤプリンタを用いて画像形成装置１０を構成したが、これに限定されるものではない。これに代えて、例えば、中間転写方式に代えて感光体ドラムから印刷媒体に直接転写するタンデム式やロータリー式のものを採用してもよいし、フルカラーに代えてモノクロを採用してもよいし、特殊色のトナーを有するタイプのフルカラーに代えて特殊色のトナーを有しないタイプのフルカラーを採用してもよいし、ＬＥＤヘッドに代えてレーザーヘッドを採用してもよいし、プリンタに代えて複写機を採用してもよいし、プリンタに代えてファクシミリを採用してもよいし、プリンタに代えて、プリンタ、複写機、ファクシミリなどの機能が組み合わされたデジタル複合機を採用してもよい。

上述した構成を備える画像形成装置１０を用いてインダストリープリントを実行する場合は、上記課題に示した通り、従来技術では制御情報の調整を十分に行うことが難しい。結果として、インダストリープリントにおいては質の低い印刷（印刷不良）が生じる割合が高い。このような印刷不良が生じた場合、専門の技術者が、実際に印刷を行った実印刷物の状態や印刷を行った際の画像形成装置の制御情報等を総合的に勘案し、さらには過去の経験や蓄積されたノウハウに基づいて、最適な制御情報を導き出すことで所望の印刷結果を得るといった作業を行うことが考えられる。しかし、この一連の作業には長時間を要する上、発生した印刷不良の事象毎に技術者を占有するためコストが非常に高くなってしまう。そこで、本発明は、以下に記載した機械学習装置１００および機械学習方法により生成される学習済モデルを利用することで、画像形成装置１０の制御情報の調整を自動化しようとするものである。

ところで、上述したような画像形成装置１０を用いて印刷を実行する際には、最適な印刷結果を得るべく、様々な制御情報が調整される。これら様々な制御情報について本発明者等が検証を行ったところ、当該種々の制御情報のうち、二次転写ローラ４４に印加する二次転写電圧と定着ローラ５１のトナー定着温度（すなわち定着ローラ５１内のヒータに供給される電流の電流値）の２つが、特に印刷の質に影響する制御情報であることが知得された。言い換えれば、これらの二次転写電圧およびトナー定着温度が、印刷面に発生する印刷不良との間に高い相関関係を有する制御情報であることが知得された。そして、これら２つの制御情報と印刷不良との関係についてさらに詳しく検証を行ったところ、二次転写電圧が高いと、主にチリ（白点が発生する印刷不良）の原因となり、反対に二次転写電圧が低いと、主にカスレ（色が薄くなる印刷不良）の原因となる。また、トナー定着温度が高いと、主に斑点（斑点状の模様が発生する印刷不良）の原因となり、反対にトナー定着温度が低いと、主に定着不良（トナー剥がれの印刷不良）やいわゆる画ズレ（濃度の薄い部分が生じる印刷不良）の原因となることが知得された。

図２Ａ，２Ｂは、転写部４０の二次転写ローラ４４付近における、印刷媒体ＰＭ上のトナーＴＮの状態を表すものであり、図２Ａは二次転写電圧が適正な場合を示し、図２Ｂは二次転写電圧が低い場合を示す。印刷媒体ＰＭは、図２Ａ，２Ｂにおける左方向（搬送方向Ｆ）に向かって搬送される。また、中間転写ベルト４１は、図１において、時計回りに循環搬送される。この中間転写ベルト４１に吸着しているトナーは、負に帯電している。一方、印刷媒体ＰＭは、二次転写ローラ４４から供給された電圧により正に帯電している。

二次転写電圧が適正である場合には、図２Ａに示したように、印刷媒体ＰＭが十分に正に帯電しているので（図２Ａにおける部分Ｗ１）、中間転写ベルト４１上のトナーＴＮは、静電力により印刷媒体ＰＭに誘引される。このようにして、トナーＴＮが印刷媒体ＰＭに転写される。

一方、二次転写電圧が低い場合には、図２Ｂに示したように、印刷媒体ＰＭが十分に正に帯電しないおそれがある（図２Ｂにおける部分Ｗ２）。この場合には、中間転写ベルト４１上のトナーＴＮの一部は、静電力により印刷媒体ＰＭに誘引されずに、中間転写ベルト４１上に残ってしまう。その結果、印刷媒体ＰＭ上に、例えばトナーＴＮがない画像部分が生じる。このようにして、カスレが発生する。

図３Ａ，３Ｂは、定着部５０付近における、印刷媒体ＰＭ上のトナーＴＮの状態を表すものであり、図３Ａはトナー定着温度が適正な場合を示し、図３Ｂはトナー定着温度が低い場合を示す。印刷媒体ＰＭは、図３Ａ，３Ｂにおける左方向（搬送方向Ｆ）に向かって搬送される。また、加圧ローラ５２が定着ローラ５１（図示せず）に対して付勢されているので、印刷媒体ＰＭには、所定の定着圧力が印加される。

トナー定着温度が適正である場合には、図３Ａに示したように、印刷媒体ＰＭ上のトナーＴＮは、加圧ローラ５２と印刷媒体ＰＭの隙間において、定着圧力により、印刷媒体ＰＭの搬送方向Ｆとは反対の方向Ｆ１の圧力を受ける。しかしながら、トナーＴＮは、印刷媒体ＰＭの表面における摩擦などの様々な抵抗（図３Ａにおける部分Ｗ３）により、印刷媒体ＰＭ上の転写された位置から移動せずにとどまり、定着ローラ５１（図示せず）から供給される熱量により、その位置で融解し定着する。これにより、トナーＴＮは、印刷媒体ＰＭ上の転写された位置に定着する。

一方、トナー定着温度が低い場合には、図３Ｂに示したように、定着ローラ５１（図示せず）から供給される熱量の供給が不十分であるので、トナーＴＮの融解が遅れる。これにより、トナーＴＮは、加圧ローラ５２と印刷媒体ＰＭの隙間において詰まり、印刷媒体ＰＭ上の転写された位置から方向Ｆ１にずれ、このずれた位置で融解し定着する。その結果、印刷媒体ＰＭ上に、例えば濃度の薄い画像部分が生じる。このようにして、いわゆる画ズレが発生する。

このように、画像形成装置１０では、二次転写電圧およびトナー定着温度が、印刷の質に影響を与える。そこで、本発明の一実施の形態に係る機械学習装置１００では、様々な制御情報のうちの、二次転写電圧およびトナー定着温度を学習させることにより、学習済モデルを生成する。これにより、二次転写電圧およびトナー定着温度が調整されるので、印刷の質の向上が期待される。

また、画像形成装置１０では、印刷速度もまた、印刷の質に影響を与える。例えば、厚さが薄い印刷媒体ＰＭを用いて、遅い印刷速度で印刷を行うと、印刷媒体ＰＭがカールして画像形成装置内に詰まるおそれがある。また、厚い印刷媒体ＰＭを用いて、速い印刷速度で印刷を行うと、トナーが十分に融解できずに定着不良が生じるおそれがある。よって、例えば、薄い印刷媒体ＰＭを用いて印刷を行う場合には、印刷速度を速くし、厚い印刷媒体ＰＭを用いて印刷を行う場合には、印刷速度を遅くすることが望ましい。

画像形成装置１０は、２つの印刷速度ＳＰＡ，ＳＰＢで印刷可能に構成される。印刷速度ＳＰＡは速い速度であり、印刷速度ＳＰＢは遅い速度である。例えば、印刷速度ＳＰＡは、印刷速度ＳＰＢの２倍程度の速度に設定される。印刷速度は、単位時間当たりの印刷可能枚数で定義される。単位時間が１分である場合には、印刷速度の単位は、例えばＰＰＭ（Page Per Minute）である。例えば、印刷速度ＳＰＡを４０ＰＰＭにすることができ、印刷速度ＳＰＢを１６ＰＰＭにすることができる。画像形成装置１０は、例えば、薄い印刷媒体ＰＭを用いて印刷を行う場合には、印刷速度ＳＰＡで印刷を行い、厚い印刷媒体ＰＭを用いて印刷を行う場合には、印刷速度ＳＰＢで印刷を行う。また、画像形成装置１０は、厚さが中程度の印刷媒体ＰＭを用いて印刷を行う場合には、例えば、印刷速度ＳＰＡおよび印刷速度ＳＰＢのうち、印刷の質を高くすることができる印刷速度で印刷を行う。なお、この例では、２つの印刷速度ＳＰＡ，ＳＰＢを設けたが、これに限定されるものではなく、３つ以上の印刷速度を設けてもよい。

本発明の一実施の形態に係る機械学習装置１００では、２つの印刷速度ＳＰＡ，ＳＰＢのそれぞれについて、学習済モデルを生成する。これにより、後述するように、学習処理に必要なデータ量を減らすことができるとともに、精度の高い制御情報を生成することが可能な学習済モデルを生成することができるので、印刷の質の向上が期待される。

このように、機械学習装置１００では、２つの印刷速度ＳＰＡ，ＳＰＢのそれぞれについて、二次転写電圧およびトナー定着温度を調整するための学習済モデルを生成し、この学習済モデルを用いて、二次転写電圧およびトナー定着温度を調整する。以下に、学習済モデルを生成するための具体的な構成および一連の機械学習方法について説示する。

＜２．機械学習装置＞
図４は、本発明の一実施の形態に係る機械学習装置１００の概略ブロック図である。機械学習装置１００は、状態変数取得部１１０と、教師データ取得部１２０と、学習済モデル生成部１３０と、記憶部１４０とを備えている。前述の構成要素から理解できるように、本実施の形態に係る機械学習装置１００は、いわゆる教師あり学習により学習済モデルを生成する装置である。なお、図４においては、理解を容易にする目的で、機械学習装置１００を画像形成装置１０とは別体のコンピュータ（サーバ装置やＰＣ（Personal Computer）等）に内蔵したものを例示しているが、機械学習装置１００は画像形成装置１０に内蔵されていても良い。

状態変数取得部１１０は、学習済モデルを生成するために必要なパラメータ情報を状態変数として取得するものである。機械学習を行うにあたり、状態変数は、生成される学習済モデルの精度を決定付ける最も重要な要素である。そして、状態変数として取得する情報の組み合わせが異なれば、生成される学習済モデルも当然異なることから、その組み合わせについても極めて重要な要素であることは本発明において特に留意すべき事項である。

本実施の形態において、状態変数取得部１１０は、実印刷物ＡＰにおける特徴量情報４０１、実印刷物ＡＰに用いられた印刷媒体ＰＭ（図１参照。）の媒体情報４０２、および実印刷物ＡＰを出力した際の画像形成装置１０の制御情報（以下、「第１の制御情報４０３」という。）の３つの情報を含む状態変数のデータセット４００を取得するものである。これらの情報を取得する方法については、機械学習装置１００と画像形成装置１０との接続状態等に合わせて任意に設定できる。例えば、これらの情報は、ローカルな通信手段やインターネットを介した通信手段等を用いることにより取得されてもよいし、任意の記憶媒体を介して取得されてもよい。そして、取得された特徴量情報４０１、媒体情報４０２、および第１の制御情報４０３は、１つのデータセット４００として、後述する記憶部１４０に記憶される。具体的には、印刷速度ＳＰＡでの印刷結果を含むデータセット４００が、印刷速度ＳＰＡに対応づけられたデータセット４００Ａとして記憶部１４０に記憶され、印刷速度ＳＰＢでの印刷結果を含むデータセット４００が、印刷速度ＳＰＢに対応づけられたデータセット４００Ｂとして記憶部１４０に記憶される。

実印刷物ＡＰにおける特徴量情報４０１は、実印刷物ＡＰに生じている印刷不良の情報を含むものである。印刷不良の情報とは、印刷不良の程度に関する情報である。ここで、実際に機械学習装置１００に入力する特徴量情報４０１としては、例えば、実印刷物ＡＰを周知のスキャナを用いて読み込んだ画像データの情報であればよく、実印刷物ＡＰ内の印刷不良の具体的な種類や程度を事前に特定しておく等の必要はない。これは、機械学習装置の学習手法が、印刷不良の種類や程度に関わらず、状態変数に対する好適な出力結果としての制御情報を学習するものであり、印刷不良の種類や程度までは判別する必要がないためである。とはいえ、例えば上記画像データの情報を、機械学習装置の入力層に入力するのに好適な情報（例えば、印刷不良の種類や程度などの情報）に事前に調整する前処理プロセスを採用することももちろん可能である。具体的な前処理プロセスについては、画像認識の技術分野において通常用いられる手法が採用できることは当業者であれば容易に理解できるため、ここではその説明を省略する。

印刷媒体ＰＭの媒体情報４０２は、印刷媒体ＰＭについての種々の情報であり、好適には印刷媒体ＰＭのコーティングの有無、素材、厚さ、重量、および密度に関する情報である。上記５種類の情報は、印刷の質に特に影響のあるパラメータとして本発明者等が特定したものであり、これら５種類の情報に基づいて機械学習を行うことで、効率的に高精度の学習済モデルを生成できるものである。なお、素材に関する情報は、印刷媒体ＰＭに用いられている主要な素材を特定すれば足り、付加的に含まれる素材についての情報までをも要するものでは必ずしもない。また、重量に関する情報は、印刷媒体の重さに関連する特性を示すものであれば種々のものを利用可能であり、具体的には、例えば坪量や連量といった、画像形成装置の技術分野において一般に用いられるものを利用することができる。

第１の制御情報４０３は、画像形成装置１０が実印刷物ＡＰを出力した際に実際に画像形成装置１０に設定されていた制御情報であり、好適には、画像形成装置１０における定着ローラ５１のトナー定着温度、および二次転写ローラ４４に印加される二次転写電圧についての制御情報を含む。なお、上記画像形成装置１０においては、印刷媒体ＰＭに対し、中間転写ベルト４１からトナー像が転写される形式のため、二次転写電圧を第１の制御情報４０３として採用しているが、中間転写ベルトを有しない、感光体ドラムから印刷媒体に直接転写するタンデム式の画像形成装置にあっては、トナー色の異なる複数の画像形成ユニットそれぞれが備える感光体ドラムから印刷媒体ＰＭにトナー像を転写する際の転写電圧を第１の制御情報４０３として採用することができる。

教師データ取得部１２０は、実印刷物ＡＰにおいて印刷不良が十分に少なくなるように改善された制御情報（以下、第２の制御情報４１１という。）、および印刷不良の程度を示す値（以下、印刷不良値４１２という）を含む教師データ４１０を取得するものである。

第２の制御情報４１１は、実印刷物ＡＰにおいて、特徴量情報４０１が所定の閾値ＴＨ以下となるような制御情報である。第２の制御情報４１１は、画像形成装置１０における定着ローラ５１のトナー定着温度、および二次転写ローラ４４に印加される二次転写電圧についての制御情報を含む。この第２の制御情報４１１は、例えば技術者ＥＮが実印刷物ＡＰの出力結果およびその際の制御情報等に基づいて導き出した制御情報である。したがって、上記「所定の閾値ＴＨ」とは、特定の値を指すものである必要は必ずしもなく、技術者ＥＮ等から見て適切な出力結果が得られるような制御情報であれば、当該制御情報は「特徴量情報４０１が所定の閾値ＴＨ以下」であるといえる。

印刷不良値４１２は、画像形成装置１０が第２の制御情報４１１を用いて印刷を行った場合における印刷不良の程度を示す値である。印刷不良値４１２は、この例では、値が小さいほど印刷不良が少ないことを示し、値が大きいほど印刷不良が多いことを示す。この印刷不良値４１２は、技術者ＥＮが目視で確認した実印刷物ＡＰの印刷不良の程度を数値化したものであってもよいし、実印刷物ＡＰのスキャン画像に基づいて周知の方法で計算された値であってもよい。例えば、特徴量情報４０１が所定の閾値ＴＨ以下であることは、印刷不良値４１２が所定の閾値ＴＨ２以下であることに対応し得る。例えば、所定の閾値ＴＨ２が“２”である場合には、印刷不良値４１２が“２”以下であれば、印刷不良が十分に少ないといえる。例えば、印刷不良値４１２が“１”である場合、および印刷不良値４１２が“２”である場合の両方において、印刷不良が十分に少ないが、印刷不良値４１２が“１”である場合の方が、印刷の質が高い。第２の制御情報４１１は、この印刷不良値４１２ができるだけ小さくなるような制御情報であることが望ましい。

この第２の制御情報４１１および印刷不良値４１２は、技術者ＥＮによって教師データ取得部１２０に直接入力されることにより取得してもよいし、種々の通信手段を用いることにより取得してもよいし、任意の記憶媒体を介して取得してもよい。そして、取得した第２の制御情報４１１および印刷不良値４１２は、１つの教師データ４１０として、対応するデータセット４００に関連付けられて記憶部１４０に記憶される。具体的には、印刷速度ＳＰＡに対応する教師データ４１０が、印刷速度ＳＰＡに対応づけられた教師データ４１０Ａとして、データセット４００Ａに関連付けられて記憶部１４０に記憶され、印刷速度ＳＰＢに対応する教師データ４１０が、印刷速度ＳＰＢに対応づけられた教師データ４１０Ｂとして、データセット４００Ｂに関連付けられて記憶部１４０に記憶される。

学習済モデル生成部１３０は、状態変数取得部１１０が取得したデータセット４００と、教師データ取得部１２０が取得した教師データ４１０とに基づいて、機械学習を実行することにより、学習済モデル４２１を生成するものである。具体的には、学習済モデル生成部１３０は、データセット４００Ａおよび教師データ４１０Ａに基づいて、機械学習を実行することにより学習済モデル４２１Ａを生成するとともに、データセット４００Ｂおよび教師データ４１０Ｂに基づいて、機械学習を実行することにより、学習済モデル４２１Ｂを生成する。

機械学習装置１００は、このように、２つの印刷速度ＳＰＡ，ＳＰＢに対応する２つの学習済モデル４２１Ａ，４２１Ｂを生成する。これにより、機械学習装置１００では、以下に説明するように、学習処理に必要なデータ量を減らすことができるとともに、精度の高い制御情報を生成することが可能な学習済モデル４２１Ａ，４２１Ｂを生成することができる。

図５は、２つの印刷速度ＳＰＡ，ＳＰＢに共通の１つの学習済モデル４２１を生成する場合、および２つの印刷速度ＳＰＡ，ＳＰＢにそれぞれ対応する２つの学習済モデル４２１Ａ，４２１Ｂを生成する場合において、学習処理に必要なデータを表すものである。画像形成装置１０は、例えば、厚さが薄い印刷媒体ＰＭを用いて印刷を行う場合には、印刷速度ＳＰＡで印刷を行い、厚い印刷媒体ＰＭを用いて印刷を行う場合には、印刷速度ＳＰＢで印刷を行う。また、画像形成装置１０は、厚さが中程度の印刷媒体ＰＭを用いて印刷を行う場合には、例えば、印刷速度ＳＰＡおよび印刷速度ＳＰＢのうち、印刷の質を高くすることができる印刷速度で印刷を行う。

例えば、２つの印刷速度ＳＰＡ，ＳＰＢに共通の１つの学習済モデル４２１を生成する場合には、２つの印刷速度ＳＰＡ，ＳＰＢの両方について、その１つの学習済モデル４２１を使用できるようにする必要がある。よって、この場合には、薄い印刷媒体ＰＭ、厚い印刷媒体ＰＭ、および中程度の印刷媒体ＰＭのすべてについて、２つの印刷速度ＳＰＡ，ＳＰＢでのデータセット４００および教師データ４１０が、学習処理において必要になる。また、これらのすべてのデータを用いて１つの学習済モデル４２１を生成すると、様々な条件でその学習済モデル４２１を使用することができるが、各条件において、印刷の質を十分に高めることができないおそれがある。

一方、２つの印刷速度ＳＰＡ，ＳＰＢにそれぞれ対応する２つの学習済モデル４２１Ａ，４２１Ｂを生成する場合には、学習処理に必要なデータ量をより少なくすることができる。すなわち、図５に示したように、学習済モデル４２１Ａを生成する場合には、薄い印刷媒体ＰＭおよび中程度の印刷媒体ＰＭについて、印刷速度ＳＰＡでのデータセット４００および教師データ４１０が学習処理において必要になる。また、学習済モデル４２１Ｂを生成する場合には、厚い印刷媒体ＰＭおよび中程度の印刷媒体ＰＭについて、印刷速度ＳＰＢでのデータセット４００および教師データ４１０が学習処理において必要になる。よって、学習処理に必要なデータ量をより少なくすることができる。また、この場合には、学習済モデル４２１Ａは印刷速度ＳＰＡに適したモデルであり、学習済モデル４２１Ｂは印刷速度ＳＰＢに適したモデルであるので、各条件において、印刷の質を十分に高めることができる。

この例では、後述するように、データ処理システムは、厚さが中程度の印刷媒体ＰＭを用いて印刷を行う場合には、例えば、印刷速度ＳＰＡおよび印刷速度ＳＰＢのうち、印刷の質を高くすることができる印刷速度で印刷を行う。具体的には、後述するように、データ処理システムは、学習済モデル４２１Ａを用いて算出された印刷不良値と、学習済モデル４２１Ｂを用いて算出された印刷不良値とを比較し、学習済モデル４２１Ａ，４２１Ｂのうちの印刷不良値が低い学習済モデル４２１に対応する印刷速度を選択する。これにより、データ処理システムでは、印刷の質を高めることができる。すなわち、例えば、中程度の印刷媒体ＰＭを定義しない場合には、印刷媒体ＰＭの厚さに応じて、印刷速度が印刷速度ＳＰＡまたは印刷速度ＳＰＢに一意的に決まるので、印刷の質が低下するおそれがある。本実施の形態では、２つの印刷速度ＳＰＡ，ＳＰＢの両方で印刷可能な、中程度の印刷媒体ＰＭを定義したので、このような印刷媒体ＰＭを用いて印刷を行う場合には、２つの印刷速度ＳＰＡ，ＳＰＢの両方で印刷の質が検討されるので、印刷の質を高めることができる。

この中程度の印刷媒体ＰＭにおける厚さの定義範囲は、印刷実験を行うことにより経験的に設定される。また、印刷媒体ＰＭにおけるコーティングの有無などに応じて、この定義範囲が変化するようにしてもよい。

次に、学習済モデル生成部１３０における機械学習の具体的な方法について、以下に詳述する。本発明に係る機械学習装置１００は、その学習手法としてニューラルネットワークモデル９００を用いた教師あり学習を採用している。

図６は、本発明の一実施の形態に係る機械学習装置において実施される教師あり学習のためのニューラルネットワークモデル９００の例を示す図である。図６に示すニューラルネットワークモデル９００におけるニューラルネットワークは、入力層にあるｋ個のニューロン（ｘ１～ｘｋ）、第１中間層にあるｍ個のニューロン（ｙ１１～ｙ１ｍ）、第２中間層にあるｎ個のニューロン（ｙ２１～ｙ２ｎ）、および出力層にある３個のニューロン（ｚ１～ｚ３）から構成される。第１中間層および第２中間層は、隠れ層とも呼ばれる。ニューラルネットワークは、第１中間層および第２中間層の他に、さらに複数の隠れ層を有してもよく、あるいは第１中間層のみを隠れ層としてもよい。

また、入力層と第１中間層との間、第１中間層と第２中間層との間、第２中間層と出力層との間には、層間のニューロンを接続するノードが張られており、それぞれのノードには、重みｗｉ（ｉは自然数）が対応づけられている。

以下に、印刷速度ＳＰＡに対応するデータセット４００Ａおよび教師データ４１０Ａに基づいて、機械学習を実行することにより学習済モデル４２１Ａを生成する処理を例に挙げて説明する。

本実施の形態に係るニューラルネットワークモデル９００におけるニューラルネットワークでは、学習済モデル生成部１３０は、データセット４００Ａを用いて、画像形成装置１０の制御情報と画像形成装置１０が出力した印刷物との相関関係を学習する。具体的には、学習済モデル生成部１３０は、データセット４００Ａを入力層の複数のニューロンに対応づけることにより、出力層の各ニューロンの値を算出する。まず、学習済モデル生成部１３０は、入力層のｋ個のニューロンの値に基づいて、第１中間層のｍ個のニューロンの値を算出する。具体的には、学習済モデル生成部１３０は、第１中間層の各ニューロンの値を、当該ニューロンに接続された、入力層のｋ個のニューロンの値に基づいて、各ノードに対応づけられた重みＷｉを用いて重みづけ加算を行うことにより算出する。同様に、学習済モデル生成部１３０は、第１中間層のｍ個のニューロンの値に基づいて、第２中間層のｎ個のニューロンの値を算出し、第２中間層のｎ個のニューロンの値に基づいて、出力層の３つのニューロンの値を算出する。このようにして、学習済モデル生成部１３０は、データセット４００Ａを入力層の複数のニューロンに対応づけることにより、出力層における各ニューロンの値を算出することができる。なお、データセット４００Ａを入力層のｋ個のニューロンに対応付けるに際し、データセット４００Ａに含まれる情報をどのような形式で対応付けるかは、生成される学習済モデルの精度等を考慮して適宜設定することができる。例えば、特徴量情報４０１が実印刷物ＡＰの画像データを含む場合には、その画像データを所定の領域に分割した上で、分割された各領域の色値（例えばＲＧＢ値）情報を入力層の複数のニューロンにそれぞれ対応付けることができる。

そして、学習済モデル生成部１３０は、算出された出力層の３つのニューロンｚ１～ｚ３の値と、教師データ４１０Ａに含まれる３つのデータｔ１～ｔ３の値とを、それぞれ比較して誤差を求める。ここで、ニューロンｚ１～ｚ３の値は、本実施の形態においてはトナー定着温度、二次転写電圧、および印刷不良値である。また、データｔ１～ｔ３の値は、データセット４００Ａに関連付けられた教師データ４１０Ａにおける、トナー定着温度、二次転写電圧、および印刷不良値４１２Ａである。そして、学習済モデル生成部１３０は、求められた誤差が小さくなるように、各ノードに対応づけられた重みｗｉを調整する（バックプロバケーション）ことを反復する。

そして、上述した一連の工程を所定回数反復して実施し、あるいは上述した誤差が許容値より小さくなること等の所定の条件が満たされるまで反復して実施した場合には、学習済モデル生成部１３０は、学習を終了して、そのニューラルネットワークモデル９００を学習済モデル４２１Ａとして記憶部１４０に記憶する。このようにして、学習済モデル生成部１３０は、ニューラルネットワークモデル９００のノードのそれぞれに対応づけられた全ての重みｗｉについての情報を含む学習済モデル４２１Ａを生成する。

以上、印刷速度ＳＰＡに対応するデータセット４００Ａおよび教師データ４１０Ａに基づいて、機械学習を実行することにより学習済モデル４２１Ａを生成する処理について説明したが、印刷速度ＳＰＢに対応するデータセット４００Ｂおよび教師データ４１０Ｂに基づいて、機械学習を実行することにより学習済モデル４２１Ｂを生成する処理についても同様である。

記憶部１４０は、状態変数取得部１１０が取得したデータセット４００Ａ，４００Ｂ、教師データ取得部１２０が取得した教師データ４１０Ａ，４１０Ｂ、および学習済モデル生成部１３０が生成した学習済モデル４２１Ａ，４２１Ｂを記憶するものである。

図７は、記憶部１４０に記憶されたデータの一例を表すものである。記憶部１４０には、データセット４００Ａ，４００Ｂ、教師データ４１０Ａ，４１０Ｂ、および学習済モデル４２１Ａ，４２１Ｂが記憶される。

データセット４００Ａは、特徴量情報４０１Ａ、媒体情報４０２、および第１の制御情報４０３Ａを含む。データセット４００Ｂは、特徴量情報４０１Ｂ、媒体情報４０２、および第１の制御情報４０３Ｂを含む。特徴量情報４０１Ａは、画像形成装置１０が、印刷速度ＳＰＡで、第１の制御情報４０３Ａを用いて印刷を行った場合における、実印刷物ＡＰに生じている印刷不良の情報を含み、第１の制御情報４０３Ａは、その印刷において画像形成装置１０に設定されていた制御情報である。特徴量情報４０１Ｂは、画像形成装置１０が、印刷速度ＳＰＢで、第１の制御情報４０３Ｂを用いて印刷を行った場合における、実印刷物ＡＰに生じている印刷不良の情報を含み、第１の制御情報４０３Ｂは、その印刷において画像形成装置１０に設定されていた制御情報である。

教師データ４１０Ａは、第２の制御情報４１１Ａおよび印刷不良値４１２Ａを含む。教師データ４１０Ｂは、第２の制御情報４１１Ｂおよび印刷不良値４１２Ｂを含む。第２の制御情報４１１Ａは、画像形成装置１０が印刷速度ＳＰＡで印刷を行った場合の、特徴量情報４０１Ａが所定の閾値ＴＨ以下となるような画像形成装置１０の制御情報であり、印刷不良値４１２Ａは、画像形成装置１０が印刷速度ＳＰＡで、第２の制御情報４１１Ａを用いて印刷を行った場合における、印刷不良の程度を示す値である。第２の制御情報４１１Ｂは、画像形成装置１０が印刷速度ＳＰＢで印刷を行った場合の、特徴量情報４０１Ａが所定の閾値ＴＨ以下となるような画像形成装置１０の制御情報であり、印刷不良値４１２Ａは、画像形成装置１０が印刷速度ＳＰＢで、第２の制御情報４１１Ｂを用いて印刷を行った場合における、印刷不良の程度を示す値である。

学習済モデル４２１Ａは、学習済モデル生成部１３０が、データセット４００Ａおよび教師データ４１０Ａに基づいて機械学習を実行することにより生成した学習済モデル４２１であり、学習済モデル４２１Ｂは、学習済モデル生成部１３０が、データセット４００Ｂおよび教師データ４１０Ｂに基づいて機械学習を実行することにより生成した学習済モデル４２１である。

記憶部１４０に記憶された学習済モデル４２１Ａ，４２１Ｂは、要求に応じて、インターネット等の通信手段や記憶媒体を介して実システムへ適用される。実システム（データ処理システム）に対する学習済モデルの具体的な適用態様については、後に詳述する。

ここで、状態変数取得部１１０は、本開示における「状態変数取得部」の一具体例に対応する。教師データ取得部１２０は、本開示における「教師データ取得部」の一具体例に対応する。学習済モデル生成部１３０は、本開示における「学習済モデル生成部」の一具体例に対応する。印刷速度ＳＰＡは、本開示における「第１の印刷速度」の一具体例に対応する。印刷速度ＳＰＢは、本開示における「第２の印刷速度」の一具体例に対応する。データセット４００Ａは、本開示における「第１の状態変数データセット」の一具体例に対応する。データセット４００Ｂは、本開示における「第２の状態変数データセット」の一具体例に対応する。特徴量情報４０１は、本開示における「特徴量情報」の一具体例に対応する。媒体情報４０２は、本開示における「媒体情報」の一具体例に対応する。第１の制御情報４０３は、本開示における「第１の制御情報」の一具体例に対応する。教師データ４１０Ａは、本開示における「第１の教師データ」の一具体例に対応する。教師データ４１０Ｂは、本開示における「第２の教師データ」の一具体例に対応する。第２の制御情報４１１は、本開示における「第２の制御情報」の一具体例に対応する。印刷不良値４１２は、本開示における「印刷不良値」の一具体例に対応する。学習済モデル４２１Ａは、本開示における「第１の学習済モデル」の一具体例に対応する。学習済モデル４２１Ｂは、本開示における「第２の学習済モデル」の一具体例に対応する。

＜３．機械学習方法＞
上述の機械学習装置に関連して、本発明は、機械学習方法をも提供する。図８は、本発明の一実施の形態に係る機械学習方法を示すフローチャートである。この機械学習方法はコンピュータを用いることで実現されるものであるが、コンピュータとしては種々のものが適用可能であり、例えば画像形成装置１０内の制御部７０を構成するものや、画像形成装置１０にローカルに接続されたＰＣ、あるいはネットワーク上に配されたサーバ装置等を挙げることができる。

本発明に係る機械学習方法としての教師あり学習を実行する場合には、機械学習装置１００は、先ず、生成する学習済モデル４２１に対応する印刷速度を選択し、初期値の重みを備えた学習前モデル（ニューラルネットワークモデル９００）を準備する（ステップＳ１１）。例えば、印刷速度ＳＰＡが選択された場合には、以下に示すようにこの学習前モデルを用いて学習処理を行うことにより学習済モデル４２１Ａが生成され、印刷速度ＳＰＢが選択された場合には、以下に示すようにこの学習前モデルを用いて学習処理を行うことにより学習済モデル４２１Ｂが生成される。

次に、状態変数取得部１１０は、特徴量情報４０１、媒体情報４０２、および第１の制御情報４０３を含む状態変数のデータセット４００を取得する（ステップＳ１２）。具体的には、ステップＳ１１で印刷速度ＳＰＡが選択された場合には、状態変数取得部１１０は、印刷速度ＳＰＡに対応するデータセット４００Ａを取得し、ステップＳ１１で印刷速度ＳＰＢが選択された場合には、状態変数取得部１１０は、印刷速度ＳＰＢに対応するデータセット４００Ｂを取得する。記憶部１４０は、状態変数取得部１１０が取得したデータセット４００を記憶する。

次に、教師データ取得部１２０は、ステップＳ１２において取得したデータセット４００に対応する、第２の制御情報４１１および印刷不良値４１２を含む教師データ４１０を取得する（ステップＳ１３）。具体的には、ステップＳ１２でデータセット４００Ａが取得された場合には、教師データ取得部１２０は、このデータセット４００Ａに対応する教師データ４１０Ａを取得し、ステップＳ１２でデータセット４００Ｂが取得された場合には、教師データ取得部１２０は、このデータセット４００Ｂに対応する教師データ４１０Ｂを取得する。記憶部１４０は、教師データ取得部１２０が取得した教師データ４１０を記憶する。

次に、学習済モデル生成部１３０は、ステップＳ１２で取得したデータセット４００に含まれる特徴量情報４０１、媒体情報４０２、および第１の制御情報４０３を、学習前モデルの入力層に入力する（ステップＳ１４）。これにより、学習前モデルの出力層から、トナー定着温度、二次転写電圧、および印刷不良値が出力される。

出力層から出力された制御情報（トナー定着温度および二次転写電圧）は、学習前モデルによって生成されたものであるため、通常はユーザの要求を満たすような印刷結果が得られる制御情報ではない。そこで、学習済モデル生成部１３０は、次に、ステップＳ１４において学習前モデルの出力層から出力された制御情報および印刷不良値と、ステップＳ１３において取得された教師データ４１０に含まれる第２の制御情報４１１および印刷不良値４１２とを用いて、機械学習を実施する（ステップＳ１５）。ここで行う機械学習とは、出力層から出力された制御情報および印刷不良値と、教師データ４１０に含まれる第２の制御情報４１１および印刷不良値４１２とをそれぞれ比較し、両者の誤差を検出し、この誤差が小さくなるようなデータが出力層から出力されるよう、学習前モデルの各ノードに対応付けられた重みＷｉを調整することである。

ステップＳ１５において機械学習が実施されると、学習済モデル生成部１３０は、さらに機械学習を実施する必要があるか否かを判断し（ステップＳ１６）、機械学習を継続する場合（ステップＳ１６において“Ｎｏ”）にはステップＳ１２に戻り、機械学習を終了する場合（ステップＳ１６において“Ｙｅｓ”）には、ステップＳ１７に進む。上記機械学習を継続する場合には、学習済モデル生成部１３０は、ステップＳ１２～Ｓ１５の工程を複数回実施することとなり、通常は、その回数に比例して、最終的に生成される学習済モデル４２１の精度は高くなる。

機械学習を終了する場合には、学習済モデル生成部１３０は、各ノードに対応付けられた重みＷｉが一連の工程によって調整され生成されたニューラルネットワークモデル９００を学習済モデル４２１として記憶部１４０に記憶する（ステップＳ１７）。具体的には、印刷速度ＳＰＡで印刷を行うための学習済モデル４２１を生成した場合には、この学習済モデル４２１を学習済モデル４２１Ａとして記憶部１４０に記憶し、印刷速度ＳＰＢで印刷を行うための学習済モデル４２１を生成した場合には、この学習済モデル４２１を学習済モデル４２１Ｂとして記憶部１４０に記憶する。これにより、一連の学習プロセスが終了する。ここで記憶された学習済モデル４２１は、種々のデータ処理システムに適用され使用されるものであるが、その詳細は後述する。

上述した機械学習装置の学習プロセスおよび機械学習方法においては、１つの学習済モデル４２１を生成するために、１つのニューラルネットワーク（学習前モデル）に対して複数回の機械学習処理を繰り返し実行することでその精度を向上させる例を説示しているが、本発明はこの取得方法に限定されない。例えば、所定回数の機械学習を実施した学習済モデルを一候補として複数を記憶部１４０に格納しておき、この複数の学習済モデル群に妥当性判断用のデータセットを入力し、出力層から出力された制御情報の精度を比較検討して、データ処理システムに適用する、より好ましい学習済モデルを１つ選定するようにしてもよい。妥当性判断用のデータセットは、学習に用いた学習用のデータセット４００と同じ状態変数を有し、異なるデータからなるものであればよい。複数の学習済モデルから出力された制御情報の精度を比較する場合、通常は、実際に印刷を行い、印刷の質を確認する必要がある。一方、本実施の形態では、複数の学習済モデルから出力された印刷不良値を比較することにより、実際に印刷を行うことなく、より好ましい学習済モデルを選定することができる。

実験例として、ステップＳ１２～Ｓ１６に示す一連の学習プロセスを、取得する状態変数を変更しつつ１５０００回繰り返し実施した後に得られた学習済モデルを準備し、この学習済モデルの入力層に１５００通りの状態変数を入力して得られた出力層の制御情報と、当該１５００通りの各状態変数に基づいて技術者によってそれぞれ特定された制御情報とを比較し、その誤差の程度について妥当性判断を実施した。その結果、学習済モデルが出力した出力層の制御情報と技術者が特定した制御情報とが実質的に同一であった割合は約９０％であった。このことから、本実施の形態において選定した３つの状態変数が、印刷結果に影響を与える最も重要な情報であることが裏付けられた。

以上説明した通り、本発明の一実施の形態に係る機械学習装置および機械学習方法によれば、特に、インダストリープリントのような、種々の印刷媒体への印刷の際に生じる印刷不良を高精度で改善可能な学習済モデルを生成することができる。したがって、この学習済モデルを実システムに適用することで、高精度に印刷不良を改善し、所望の印刷結果を得ることができるようになる。また、この学習済モデルを利用することで印刷情報の自動調整を実現できるため、印刷不良が生じる毎に人手を要することがなくなり、低コストのデータ処理システムを実現することができる。加えて、このコスト低下により、ユーザは、インダストリープリントに際し、複数の特殊な印刷媒体をコストを意識することなく気軽に試すことができるようになるため、ユーザの印刷媒体を選択する際の自由度が向上する。さらに、この機械学習装置および機械学習方法の入力層に入力される状態変数を上述した３つの情報に特定することで、種々の特殊な印刷媒体への印刷出力に適用可能な高精度の学習済モデルを高効率に生成することが可能となる。

以上のように、機械学習装置１００では、印刷速度ＳＰＡでの印刷結果を含む状態変数のデータセット４００Ａ、および印刷速度ＳＰＢでの印刷結果を含む状態変数のデータセット４００Ｂを取得する状態変数取得部１１０と、印刷速度ＳＰＡに対応する教師データ４１０Ａ、および印刷速度ＳＰＢに対応する教師データ４１０Ｂを取得する教師データ取得部１２０と、データセット４００Ａおよび教師データ４１０Ａに基づいて機械学習を行うことにより学習済モデル４２１Ａを生成するとともに、データセット４００Ｂおよび教師データ４１０Ｂに基づいて機械学習を行うことにより学習済モデル４２１Ｂを生成する学習済モデル生成部１３０とを設けるようにした。データセット４００Ａ，４００Ｂのそれぞれは、実際に印刷がなされた実印刷物ＡＰにおける特徴量情報４０１と、実印刷物ＡＰに用いられた印刷媒体ＰＭの媒体情報４０２と、実印刷物ＡＰを出力した際の画像形成装置１０の制御情報である第１の制御情報４０３とを含むようにした。また、教師データ４１０Ａ，４１０Ｂのそれぞれは、印刷速度ＳＰＡおよび印刷速度ＳＰＢのうちの対応する印刷速度で印刷がなされた場合の特徴量情報４０１が所定の閾値ＴＨ以下になるような制御情報である第２の制御情報４１１と、対応する印刷速度で第２の制御情報４１１を用いて印刷を行った場合における印刷不良値４１２とを含むようにした。機械学習装置１００では、印刷速度ＳＰＡ，ＳＰＢのそれぞれについて、特徴量情報４０１、媒体情報４０２、および第１の制御情報４０３の３つの情報を状態変数として採用して機械学習を行うため、精度の高い学習済モデル４２１Ａ，４２１Ｂを得ることができる。

また、機械学習装置１００では、特徴量情報４０１は、実印刷物ＡＰにおける印刷不良の情報を含むようにした。これにより、機械学習において実印刷物ＡＰに生じた印刷不良が解消できるような学習済モデル４２１を生成することができるので、ユーザの望むデータ処理が可能な学習済モデル４２１を生成することができる。

また、機械学習装置１００では、媒体情報４０２は、印刷媒体ＰＭのコーティングの有無、素材、厚さ、重量、および密度に関する情報を含むようにした。これにより、機械学習に際し、印刷媒体ＰＭの厚さに加えて、印刷媒体ＰＭについての様々な情報をも考慮するため、その印刷媒体ＰＭに応じた適切な学習済モデル４２１を生成することができる。

また、機械学習装置１００では、第１の制御情報４０３は、例えば図１に示した電子写真式の画像形成装置１０におけるトナー定着温度および転写電圧（この例では二次転写電圧）の情報を含むようにした。これにより、第１の制御情報４０３は、印刷の質に最も影響のある２つの情報を含むので、生成される学習済モデル４２１はユーザの望むデータ処理が可能になる。

また、機械学習装置１００では、第２の制御情報４１１は、例えば図１に示した電子写真式の画像形成装置１０におけるトナー定着温度および転写電圧（この例では二次転写電圧）の情報を含むようにした。これにより、第２の制御情報４１１が、電子写真式の画像形成装置であれば一般に用いられている制御情報であるトナー定着温度および転写電圧で構成されることから、学習済モデル４２１は、種々のタイプの電子写真式の画像形成装置に適用可能となる。

＜４．機械学習装置および機械学習方法の変形例＞
上記の一実施の形態においては、特徴量情報４０１、媒体情報４０２、および第１の制御情報４０３の３つの情報を状態変数として取得する、機械学習装置および機械学習方法について説示したが、本発明者等によるさらなる検討の結果、上記３つの状態変数に加えて、画像形成装置１０の周囲の環境情報を状態変数として追加で取得することによっても、高精度な学習済モデルを生成することができることが確認された。よって、以下に変形例として、上記４つの情報を状態変数として採用した場合の機械学習方法について説示する。なお、以下に示す変形例に係る機械学習装置の構成に関しては、状態変数取得部１１０で取得する情報が異なる点以外は上記一実施の形態において述べたものと同様であるので、具体的な説明は省略する。

本変形例に係る状態変数取得部１１０は、特徴量情報４０１、媒体情報４０２、第１の制御情報４０３、および画像形成装置１０の周囲の環境情報４０４の４つの情報を含む状態変数のデータセット４００を取得するものである。

環境情報４０４は、画像形成装置１０が設置された位置の周囲の温度および湿度を含む情報である。温度および湿度の具体的な測定方法としては、画像形成装置１０内に温度および湿度を測定するためのセンサを設置することにより、あるいは画像形成装置１０とは別途設けられた温度湿度センサの出力を取得することにより測定することができる。さらに、この測定動作に代えて、ユーザによる直接あるいは通信手段を介しての入力動作により画像形成装置１０の周囲の温度および湿度を取得するようにしてもよい。ここで、環境情報４０４は、本開示における「環境情報」の一具体例に対応する。

そして、取得された特徴量情報４０１、媒体情報４０２、第１の制御情報４０３、および環境情報４０４は、１つのデータセット４００として、記憶部１４０に記憶される。具体的には、印刷速度ＳＰＡでの印刷結果を含むデータセット４００が、印刷速度ＳＰＡに対応づけられたデータセット４００Ａとして記憶部１４０に記憶され、印刷速度ＳＰＢでの印刷結果を含むデータセット４００が、印刷速度ＳＰＢに対応づけられたデータセット４００Ｂとして記憶部１４０に記憶される。

図９は、本変形例に係る記憶部１４０に記憶されたデータの一例を表すものである。データセット４００Ａは、特徴量情報４０１Ａ、媒体情報４０２、第１の制御情報４０３Ａ、および環境情報４０４を含み、データセット４００Ｂは、特徴量情報４０１Ｂ、媒体情報４０２、第１の制御情報４０３Ｂ、および環境情報４０４を含む。

図１０は、変形例に係る機械学習方法を示すフローチャートである。図１０に示したとおり、本実施の形態における一連の工程は、ステップＳ２２を除き、上記一実施の形態に係る機械学習方法の工程と概ね同一である。

本実施の形態に係る機械学習方法は、学習済モデル生成部１３０が、印刷速度を選択し、学習前モデルを準備した後、状態変数取得部１１０が、特徴量情報４０１、媒体情報４０２、第１の制御情報４０３、および環境情報４０４を含む状態変数のデータセット４００を取得する（ステップＳ２２）。ステップＳ２２においてデータセット４００が取得されると、教師データ取得部１２０は、このデータセット４００に対応する教師データ４１０を取得する（ステップＳ１３）。そして、学習済モデル生成部１３０は、ステップＳ２２で取得したデータセット４００に含まれる特徴量情報４０１、媒体情報４０２、および第１の制御情報４０３を、学習前モデルの入力層に入力する（ステップＳ１４）。そして、学習済モデル生成部１３０は、ステップＳ１４において学習前モデルの出力層から出力された制御情報および印刷不良値と、ステップＳ１３において取得された教師データ４１０に含まれる第２の制御情報４１１および印刷不良値４１２を用いて、機械学習を実施し（ステップＳ１５）、これら一連の学習プロセスを複数回実行することで学習済モデル４２１を生成する。このようにして、ステップＳ１１において選択された印刷速度に応じた学習済モデル４２１が生成される。

以上の機械学習方法によれば、環境情報４０４も用いて機械学習を行うようにしたので、画像形成装置１０の置かれている環境（例えば、寒冷地に置かれているのか、乾燥した部屋内におかれているのか等）までをも考慮した機械学習を実現できる。よって、生成された学習済モデル４２１は、さらに高精度な制御情報の調整の実現が期待できる。

機械学習装置１００の適用形態として、画像形成装置１０や通常のＰＣに内蔵されていても良いことは既に述べたとおりであるが、機械学習に際し、特に入力パラメータが多数存在する場合には、その演算量は極めて多くなるため、通常の画像形成装置１０に搭載されたＣＰＵのみでは学習済モデルを生成するまでに長時間を要する可能性がある。したがって、機械学習装置１００を画像形成装置１０や通常のＰＣに内蔵する場合には、ＧＰＵ（Graphics Processing Unit）等の高性能演算装置を追加する、あるいは機械学習時の演算をネットワークを介して接続された他のＰＣやサーバ装置の演算能力を活用する等、演算処理の時間を短縮するための処置を行うことが好ましい。

本発明の機械学習装置における状態変数の選定は、生成される学習済モデルに直接影響する重要な要素である旨は上述した通りであるが、これは、上述した実施の形態および変形例において採用した３つ、あるいは４つの組み合わせ以外の組み合わせを完全に排除することを意図しているわけではない。例えば、生成される学習済モデルへの影響が、上述の実施の形態および変形例において採用した３つあるいは４つのパラメータに比して十分に小さいパラメータが追加された機械学習装置等は、実質的に本発明の技術思想を逸脱するものではないから、本発明の技術的範囲に包含されるといえる。

以上のように、機械学習装置１００では、状態変数のデータセット４００Ａ，４００Ｂのそれぞれが、特徴量情報４０１、媒体情報４０２、第１の制御情報４０３に加えて、さらに環境情報４０４を含むようにしたこれにより、特徴量情報４０１、媒体情報４０２、第１の制御情報４０３に、更に環境情報４０４を加えた４つの情報を状態変数として採用して機械学習を行うため、さらに精度の高い学習済モデル４２１を得ることができる。

また、機械学習装置１００では、環境情報４０４は、画像形成装置１０の周囲の温度および湿度の情報を含むようにした。これにより、画像形成装置１０における定着温度制御等に影響を与える画像形成装置１０の周囲の温度や、印刷媒体ＰＭの状態等に影響を与える画像形成装置１０の周囲の湿度が学習済モデル４２１に反映されるので、印刷時の状況に則した精度の高い学習済モデル４２１を得ることができる。

＜５．データ処理システムおよびデータ処理方法＞
次に、上述した機械学習装置および機械学習方法によって生成された学習済モデルの適用例を説示する。図１１は、本発明の一実施の形態に係るデータ処理システムの概略ブロック図である。本実施の形態においては、データ処理システムとして、画像形成装置２００に、上記変形例に係る機械学習方法を経て生成された学習済モデルを適用した場合を例にとり、以下に説示する。

本実施の形態に係る画像形成装置２００は、図１において説明したものと同様であり、機械的構造については図１に示すものと概ね同一である。したがって、以下の説明においては、画像形成装置２００の特に機械的構造に関しては、画像形成装置１０と同様であるものとして画像形成装置１０において使用した参照符号を必要に応じて援用する。画像形成装置２００は、図１１に示すように、表示操作部２１０と、出力制御部２２０と、実印刷物情報取得部２３０と、温度湿度センサ２４０と、速度情報取得部２７０と、記憶部２５０と、データ処理部２６０とを備える。

表示操作部２１０は、画像形成装置２００の所定位置に設けられた液晶パネル等からなる表示手段および操作ボタンあるいはタッチパネル等からなる操作手段を備え、画像形成装置２００を利用するユーザに対して所定の通知を行ったり入力動作を可能としたりするものである。

出力制御部２２０は、画像形成装置２００による印刷出力を実現するための種々の構成を制御するものであり、ＣＰＵと、ＲＡＭ（Random Access Memory）およびＲＯＭ（Read Only Memory）等のメモリとを少なくとも備えたものが例示される。出力制御部２２０は、例えば、画像形成装置２００における各種ローラの回転速度を制御することにより、画像形成装置２００における印刷速度を制御する。また、出力制御部２２０は、例えば、二次転写ローラ４４に印加される二次転写電圧を制御する。また、出力制御部２２０は、例えば、定着ローラ５１内部のヒータに供給する電流の電流値を制御することにより、トナー定着温度を制御する。

実印刷物情報取得部２３０は、印刷不良を含む実印刷物ＡＰに関連する情報を取得するものであり、特徴量情報取得部２３１と、媒体情報取得部２３２と、制御情報取得部２３３と、環境情報取得部２３４とを有する。この実印刷物情報取得部２３０によって取得された各種情報は、１つのデータセット５００として互いに関連付けられ、後述するデータセット記憶部２５２に記憶される。

特徴量情報取得部２３１は、特徴量情報５０１として実印刷物ＡＰの画像データを取得するものである。この特徴量情報取得部２３１は、図１１に示すように、入出力インターフェース（図示省略）を介して画像形成装置２００外部のスキャナＳＣにローカルに接続されており、この例では、このスキャナＳＣにより読み込まれた実印刷物ＡＰの画像データを、特徴量情報５０１として取得する。

媒体情報取得部２３２は、印刷媒体ＰＭの媒体情報５０２、詳しくは印刷媒体ＰＭのコーティングの有無、素材、厚さ、重量、および密度に関する情報を取得するものである。この媒体情報５０２は、例えば印刷媒体ＰＭに予め付与された製品コードを表示操作部２１０を介してユーザが入力することにより取得できる。なお、密度に関する情報は、厚さと重量（坪量）の値が特定できれば計算により特定することが可能な情報であるので、このような入力操作を必ずしも要しない。

制御情報取得部２３３は、実印刷物ＡＰを出力した際の画像形成装置２００の制御情報である第１の制御情報５０３、詳しくは二次転写ローラ４４に印加される二次転写電圧と定着ローラ５１のトナー定着温度とを取得するものである。第１の制御情報５０３は、出力制御部２２０のメモリあるいは出力制御部２２０の制御情報が記憶される記憶部２５０内に記憶されている情報であるので、内部バスを介して取得することができる。

環境情報取得部２３４は、画像形成装置２００の周囲の環境情報５０４、詳しくは温度および湿度に関する情報を取得するものである。環境情報５０４は、例えば画像形成装置２００に内蔵された温度湿度センサ２４０を用いることで取得することができる。

温度湿度センサ２４０は、画像形成装置２００の周囲の温度及び湿度を測定するものである。

速度情報取得部２７０は、実印刷物ＡＰを出力した際の印刷速度についての情報である速度情報５０５を取得するものである。速度情報５０５は、印刷速度ＳＰＡ，ＳＰＢのいずれかを示す情報である。速度情報５０５は、出力制御部２２０のメモリあるいは出力制御部２２０の制御情報が記憶される記憶部２５０内に記憶されている情報であるので、内部バスを介して取得することができる。

記憶部２５０は、画像形成装置２００の各種情報を記憶するものであり、学習済モデル記憶部２５１と、データセット記憶部２５２と、制御情報記憶部２５３とを含んでいる。

学習済モデル記憶部２５１は、上述した変形例に係る機械学習方法によって生成された学習済モデル４２１Ａ，４２１Ｂを記憶するものである。すなわち、学習済モデル４２１Ａ，４２１Ｂのそれぞれは、特徴量情報４０１、媒体情報４０２、第１の制御情報４０３、および環境情報４０４を含むデータセット４００に基づいて機械学習が実施されることにより生成されたものである。

データセット記憶部２５２は、実印刷物情報取得部２３０によって取得された、特徴量情報５０１、媒体情報５０２、第１の制御情報５０３、および環境情報５０４を含む実印刷物情報のデータセット５００を記憶するものである。例えば、厚さが薄い印刷媒体ＰＭに印刷を行う場合には、実印刷物情報取得部２３０により取得された印刷速度ＳＰＡでの印刷結果を含むデータセット５００が、印刷速度ＳＰＡに対応づけられたデータセット５００Ａとして記憶される。厚さが厚い印刷媒体ＰＭに印刷を行う場合には、実印刷物情報取得部２３０により取得された印刷速度ＳＰＢでの印刷結果を含むデータセット５００が、印刷速度ＳＰＢに対応づけられたデータセット５００Ｂとして記憶される。また、厚さが中程度の印刷媒体ＰＭに印刷を行う場合には、実印刷物情報取得部２３０により取得された印刷速度ＳＰＡでの印刷結果を含むデータセット５００が、印刷速度ＳＰＡに対応づけられたデータセット５００Ａとして記憶されるとともに、実印刷物情報取得部２３０により取得された印刷速度ＳＰＢでの印刷結果を含むデータセット５００が、印刷速度ＳＰＢに対応づけられたデータセット５００Ｂとして記憶される。

制御情報記憶部２５３は、データ処理部２６０により生成された第３の制御情報５１１（後述）を記憶するものである。

データ処理部２６０は、データセット記憶部２５２に記憶された特定の実印刷物ＡＰに関するデータセット５００、および学習済モデル記憶部２５１に記憶された学習済モデル４２１に基づいて、所望の印刷物を得ることができるような画像形成装置２００の制御情報（以下、「第３の制御情報５１１」という。）を生成するものである。第３の制御情報５１１は、二次転写電圧、トナー定着温度、および印刷速度についての制御情報を含む。第３の制御情報５１１は、実印刷物ＡＰにおいて生じている印刷不良を改善することが可能な制御情報である。すなわち、第３の制御情報５１１は、この実印刷物ＡＰにおいて用いられた印刷媒体ＰＭを用い、且つこの第３の制御情報５１１を用いて画像形成装置２００で印刷を行うことにより、所望の印刷物を得ることができるようにデータ処理部２６０によって調整がなされた制御情報である。

データ処理部２６０は、例えば、厚さが薄い印刷媒体ＰＭに印刷を行う場合には、データセット記憶部２５２に記憶された、印刷速度ＳＰＡに対応づけられたデータセット５００Ａ、および学習済モデル記憶部２５１に記憶された、印刷速度ＳＰＡに対応づけられた学習済モデル４２１Ａを用い、この学習済モデル４２１Ａの入力層にデータセット５００Ａを入力することにより、二次転写電圧、トナー定着温度、および印刷不良値を算出する。そして、データ処理部２６０は、算出した二次転写電圧およびトナー定着温度についての制御情報と、印刷速度ＳＰＡについての速度制御情報とを含む第３の制御情報５１１を生成する。

また、データ処理部２６０は、例えば、厚さが厚い印刷媒体ＰＭに印刷を行う場合には、データセット記憶部２５２に記憶された、印刷速度ＳＰＢに対応づけられたデータセット５００Ｂ、および学習済モデル記憶部２５１に記憶された、印刷速度ＳＰＢに対応づけられた学習済モデル４２１Ｂを用い、この学習済モデル４２１Ｂの入力層にデータセット５００Ｂを入力することにより、二次転写電圧、トナー定着温度、および印刷不良値を算出する。そして、データ処理部２６０は、算出した二次転写電圧およびトナー定着温度についての制御情報と、印刷速度ＳＰＢについての速度制御情報とを含む第３の制御情報５１１を生成する。

また、データ処理部２６０は、例えば、厚さが中程度の印刷媒体ＰＭに印刷を行う場合には、データセット記憶部２５２に記憶されたデータセット５００Ａ，５００Ｂ、および学習済モデル記憶部２５１に記憶された学習済モデル４２１Ａ，４２１Ｂを用い、この学習済モデル４２１Ａの入力層にデータセット５００Ａを入力することにより、二次転写電圧、トナー定着温度、および印刷不良値を算出するとともに、この学習済モデル４２１Ｂの入力層にデータセット５００Ｂを入力することにより、二次転写電圧、トナー定着温度、および印刷不良値を算出する。そして、データ処理部２６０は、印刷速度ＳＰＡに対応する学習済モデル４２１Ａを用いて算出した印刷不良値が、印刷速度ＳＰＢに対応する学習済モデル４２１Ｂを用いて算出した印刷不良値よりも小さい場合には、印刷速度ＳＰＡに対応する学習済モデル４２１Ａを用いて算出した二次転写電圧およびトナー定着温度についての制御情報と、印刷速度ＳＰＡについての速度制御情報とを含む第３の制御情報５１１を生成する。また、データ処理部２６０は、印刷速度ＳＰＢに対応する学習済モデル４２１Ｂを用いて算出した印刷不良値が、印刷速度ＳＰＡに対応する学習済モデル４２１Ａを用いて算出した印刷不良値よりも小さい場合には、印刷速度ＳＰＢに対応する学習済モデル４２１Ｂを用いて算出した二次転写電圧およびトナー定着温度についての制御情報と、印刷速度ＳＰＢについての速度制御情報とを含む第３の制御情報５１１を生成する。

図１２Ａは、厚さが薄い印刷媒体ＰＭに印刷を行う場合における、記憶部２５０に記憶されたデータの一例を表すものである。学習済モデル記憶部３２１には、機械学習装置１００により生成された学習済モデル４２１Ａ，４２１Ｂが記憶され、データセット記憶部３２２には、印刷速度ＳＰＡに対応するデータセット５００Ａが記憶され、制御情報記憶部３２３には、第３の制御情報５１１が記憶される。厚い印刷媒体ＰＭに印刷を行う場合には、データセット記憶部３２２には、印刷速度ＳＰＢに対応するデータセット５００Ｂが記憶される。

図１２Ｂは、厚さが中程度の印刷媒体ＰＭに印刷を行う場合における、記憶部２５０に記憶されたデータの一例を表すものである。この場合には、データセット記憶部３２２には、印刷速度ＳＰＡに対応するデータセット５００Ａ、および印刷速度ＳＰＢに対応するデータセット５００Ｂが記憶される。

データセット５００Ａは、特徴量情報５０１Ａ、媒体情報５０２、第１の制御情報５０３Ａ、および環境情報５０４を含む。データセット５００Ｂは、特徴量情報５０１Ｂ、媒体情報５０２、第１の制御情報５０３Ｂ、および環境情報５０４を含む。特徴量情報５０１Ａは、画像形成装置２００が、印刷速度ＳＰＡで第１の制御情報５０３Ａを用いて印刷を行った場合における、実印刷物ＡＰに生じている印刷不良の情報を含み、第１の制御情報５０３Ａは、その印刷において画像形成装置２００に設定されていた制御情報である。特徴量情報５０１Ｂは、画像形成装置２００が、印刷速度ＳＰＢで第１の制御情報５０３Ｂを用いて印刷を行った場合における、実印刷物ＡＰに生じている印刷不良の情報を含み、第１の制御情報５０３Ｂは、その印刷において画像形成装置２００に設定されていた制御情報である。第３の制御情報５１１は、データ処理部２６０が生成した制御情報である。

ここで、実印刷物情報取得部２３０は、本開示における「実印刷物情報取得部」の一具体例に対応する。データ処理部２６０は、本開示における「データ処理部」の一具体例に対応する。制御情報記憶部２５３は、本開示における「制御情報記憶部」の一具体例に対応する。データセット５００Ａは、本開示における「第１のデータセット」の一具体例に対応する。データセット５００Ｂは、本開示における「第２のデータセット」の一具体例に対応する。特徴量情報５０１は、本開示における「特徴量情報」の一具体例に対応する。媒体情報５０２は、本開示における「媒体情報」の一具体例に対応する。第１の制御情報５０３は、本開示における「第１の制御情報」の一具体例に対応する。環境情報５０４は、本開示における「環境情報」の一具体例に対応する。第３の制御情報５１１は、本開示における「第３の制御情報」の一具体例に対応する。

上述のデータ処理システムに関連して、以下には、データ処理部２６０によって実行されるデータ処理方法について、図１３を参照して説明を行う。図１３は、本発明の一実施の形態に係るデータ処理システムのデータ処理部において実行されるデータ処理方法を示すフローチャートである。

図１３に示すように、データ処理部２６０は、印刷不良が発生していない場合（ステップＳ３１において“Ｎｏ”）には待機状態を維持し、印刷不良が発生した場合（ステップＳ３１において“Ｙｅｓ”）には以降のデータ処理を実行する。印刷不良が発生したか否かは、ユーザによる申告に基づいて判断され、具体的には印刷不良を改善したい旨の申告が、例えば画像形成装置２００の表示操作部２１０を介して、あるいは画像形成装置２００を管理するカスタマーサービス等に対して行われることにより判断される。本実施の形態においては、印刷不良が画像形成装置２００単体で解消できるよう各種構成を内蔵しているから、この画像形成装置２００に、例えば印刷不良解消モードといった特定のモードを搭載しておくと利便性の面で好ましい。この場合には表示操作部２１０を介して当該モードをユーザが選択することで、以下に示す印刷不良を解消するための処理が実行される。

印刷不良が発生すると、画像形成装置２００は、表示操作部２１０等の所定のユーザインターフェースを介して、印刷不良が生じた印刷媒体ＰＭの媒体情報５０２の入力をユーザに対して要求する。具体的には、画像形成装置２００は、例えば、表示操作部２１０に各種情報の取得方法を表示したり、あるいは図示しない音声出力手段を介してナビゲーション音声を出力したりすることでユーザに情報の入力作業を促す。この要求に応じてユーザにより入力された媒体情報５０２は、媒体情報取得部２３２により取得され、データセット記憶部２５２に記憶される。データ処理部２６０は、このデータセット記憶部２５２を参照することにより、媒体情報５０２を取得する（ステップＳ３２）。

次に、データ処理部２６０は、媒体情報５０２に基づいて、印刷媒体ＰＭの厚さが中程度かどうかを確認する（ステップＳ３３）。データ処理部２６０は、例えば、媒体情報５０２に含まれる、厚さやコーティングの有無に関する情報などに基づいて、印刷媒体ＰＭが、薄い印刷媒体ＰＭ、厚い印刷媒体ＰＭ、および中程度の印刷媒体ＰＭのうちのいずれであるかを判断することができる。厚さが中程度の印刷媒体ＰＭにおける厚さの定義範囲は、印刷実験を行うことにより経験的に設定される。

印刷媒体ＰＭの厚さが中程度である場合（ステップＳ３３において“Ｙｅｓ”）には、画像形成装置２００は、印刷速度ＳＰＡに対応する特徴量情報５０１Ａおよび印刷速度ＳＰＢに対応する特徴量情報５０１Ｂの入力をユーザに対して要求する。この要求に応じてユーザにより入力された、印刷速度ＳＰＡに対応する特徴量情報５０１Ａは、ステップＳ３２において取得された媒体情報５０２、制御情報取得部２３３により取得された、印刷速度ＳＰＡに対応する第１の制御情報５０３Ａ、および環境情報取得部２３４により取得された環境情報５０４とともに、印刷速度ＳＰＡに対応づけられたデータセット５００Ａとしてデータセット記憶部２５２に記憶される。また、ユーザにより入力された、印刷速度ＳＰＢに対応する特徴量情報５０１Ｂは、ステップＳ３２において取得された媒体情報５０２、制御情報取得部２３３により取得された印刷速度ＳＰＢに対応する第１の制御情報５０３Ｂ、および環境情報取得部２３４により取得された環境情報５０４とともに、印刷速度ＳＰＢに対応づけられたデータセット５００Ｂとしてデータセット記憶部２５２に記憶される。データ処理部２６０は、このデータセット記憶部２５２を参照することにより、実印刷物情報のデータセット５００Ａ，５００Ｂを取得する（ステップＳ３２）。

次に、データ処理部２６０は、学習済モデル記憶部２５１を参照することにより、学習済モデル４２１Ａ，４２１Ｂを取得する（ステップＳ３３）。

次に、データ処理部２６０は、ステップＳ３２において取得したデータセット５００Ａ，５００Ｂ、およびステップＳ３３において取得した学習済モデル４２１Ａ，４２１Ｂに基づいて演算処理を行う（ステップＳ３４）。具体的には、データ処理部２６０は、学習済モデル４２１Ａの入力層にデータセット５００Ａを入力することにより、二次転写電圧、トナー定着温度、および印刷不良値を算出するとともに、学習済モデル４２１Ｂの入力層にデータセット５００Ｂを入力することにより、二次転写電圧、トナー定着温度、および印刷不良値を算出する。

次に、データ処理部２６０は、第３の制御情報５１１を生成する（ステップＳ３５）。具体的には、データ処理部２６０は、ステップＳ３４において、印刷速度ＳＰＡに対応する学習済モデル４２１Ａを用いて算出した印刷不良値が、印刷速度ＳＰＢに対応する学習済モデル４２１Ｂを用いて算出した印刷不良値よりも小さい場合には、印刷速度ＳＰＡに対応する学習済モデル４２１Ａを用いて算出した二次転写電圧およびトナー定着温度についての制御情報と、印刷速度ＳＰＡについての速度制御情報とを含む第３の制御情報５１１を生成する。また、データ処理部２６０は、印刷速度ＳＰＢに対応する学習済モデル４２１Ｂを用いて算出した印刷不良値が、印刷速度ＳＰＡに対応する学習済モデル４２１Ａを用いて算出した印刷不良値よりも小さい場合には、印刷速度ＳＰＢに対応する学習済モデル４２１Ｂを用いて算出した二次転写電圧およびトナー定着温度についての制御情報と、印刷速度ＳＰＢについての速度制御情報とを含む第３の制御情報５１１を生成する。

ステップＳ３３において、印刷媒体ＰＭの厚さが中程度ではない場合（ステップＳ３３において“Ｎｏ”）には、画像形成装置２００は、その印刷媒体ＰＭに対応する印刷速度における特徴量情報５０１の入力をユーザに対して要求する。具体的には、例えば、薄い印刷媒体ＰＭである場合には、画像形成装置２００は、速度情報取得部２７０により取得された速度情報５０５に基づいて、印刷速度ＳＰＡに対応する特徴量情報５０１Ａの入力をユーザに対して要求する。この要求に応じてユーザにより入力された、印刷速度ＳＰＡに対応する特徴量情報５０１Ａは、ステップＳ３２において取得された媒体情報５０２、制御情報取得部２３３により取得された、印刷速度ＳＰＡに対応する第１の制御情報５０３Ａ、および環境情報取得部２３４により取得された環境情報５０４とともに、印刷速度ＳＰＡに対応づけられたデータセット５００Ａとしてデータセット記憶部２５２に記憶される。また、例えば、厚い印刷媒体ＰＭである場合には、画像形成装置２００は、速度情報取得部２７０により取得された速度情報５０５に基づいて、印刷速度ＳＰＢに対応する特徴量情報５０１Ｂの入力をユーザに対して要求する。この要求に応じてユーザにより入力された、印刷速度ＳＰＢに対応する特徴量情報５０１Ｂは、ステップＳ３２において取得された媒体情報５０２、制御情報取得部２３３により取得された、印刷速度ＳＰＢに対応する第１の制御情報５０３Ｂ、および環境情報取得部２３４により取得された環境情報５０４とともに、印刷速度ＳＰＢに対応づけられたデータセット５００Ｂとしてデータセット記憶部２５２に記憶される。データ処理部２６０は、このデータセット記憶部２５２を参照することにより、印刷媒体ＰＭに対応する印刷速度における実印刷物情報のデータセット５００を取得する（ステップＳ３８）。

次に、データ処理部２６０は、学習済モデル記憶部２５１を参照することにより、印刷媒体ＰＭに対応する印刷速度における学習済モデル４２１を取得する（ステップＳ３３）。具体的には、例えば、薄い印刷媒体ＰＭである場合には、データ処理部２６０は、印刷速度ＳＰＡに対応する学習済モデル４２１Ａを取得する。また、例えば、厚い印刷媒体ＰＭである場合には、データ処理部２６０は、印刷速度ＳＰＢに対応する学習済モデル４２１Ｂを取得する。

次に、データ処理部２６０は、ステップＳ３８において取得したデータセット５００、およびステップＳ３９において取得した学習済モデル４２１に基づいて演算処理を行うことにより、第３の制御情報５１１を生成する（ステップＳ４０）。具体的には、ステップＳ３８においてデータセット５００Ａが取得され、ステップＳ３９において学習済モデル４２１Ａが取得された場合には、データ処理部２６０は、学習済モデル４２１Ａの入力層にデータセット５００Ａを入力することにより、二次転写電圧、トナー定着温度、および印刷不良値を算出する。そして、データ処理部２６０は、算出した二次転写電圧およびトナー定着温度についての制御情報と、印刷速度ＳＰＡについての速度制御情報とを含む第３の制御情報５１１を生成する。また、ステップＳ３８においてデータセット５００Ｂが取得され、ステップＳ３９において学習済モデル４２１Ｂが取得された場合には、データ処理部２６０は、学習済モデル４２１Ｂの入力層にデータセット５００Ｂを入力することにより、二次転写電圧、トナー定着温度、および印刷不良値を算出する。そして、データ処理部２６０は、算出した二次転写電圧およびトナー定着温度についての制御情報と、印刷速度ＳＰＢについての速度制御情報とを含む第３の制御情報５１１を生成する。

データ処理部２６０は、第３の制御情報５１１が生成されると、この第３の制御情報５１１を制御情報記憶部２５３に一旦記憶し（ステップＳ４１）、ユーザによる再印刷指示を待つ（ステップＳ４２）。そして、例えばユーザによる表示操作部２１０の操作により、再印刷指示があると、出力制御部２２０は、第１の制御情報５０３に代えて制御情報記憶部２５３内の第３の制御情報５１１に基づき、印刷速度を設定し、二次転写ローラ４４に印加される二次転写電圧と定着ローラ５１のトナー定着温度とを調整した上で、再度の印刷処理を実行する（ステップＳ４３）。

具体的には、例えば厚さが薄い印刷媒体ＰＭである場合には、出力制御部２２０は、第３の制御情報５１１に基づいて、二次転写ローラ４４に印加される二次転写電圧と定着ローラ５１のトナー定着温度とを調整し、第３の制御情報５１１に含まれる速度制御情報が示す印刷速度ＳＰＡで、印刷処理を実行する。例えば厚い印刷媒体ＰＭである場合には、出力制御部２２０は、第３の制御情報５１１に基づいて、二次転写ローラ４４に印加される二次転写電圧と定着ローラ５１のトナー定着温度とを調整し、第３の制御情報５１１に含まれる速度制御情報が示す印刷速度ＳＰＢで、印刷処理を実行する。また、例えば厚さが中程度の印刷媒体ＰＭである場合には、出力制御部２２０は、第３の制御情報５１１に基づいて、二次転写ローラ４４に印加される二次転写電圧と定着ローラ５１のトナー定着温度とを調整し、印刷速度ＳＰＡ，ＳＰＢのうちの、第３の制御情報５１１に含まれる速度制御情報が示す印刷速度で、印刷処理を実行する。

以上の工程を経て再度印刷され出力された印刷物は、前回の印刷結果に基づいて調整された第３の制御情報５１１により出力されたものであるから、前回出力された実印刷物ＡＰに生じていた印刷不良は概ね解消されている。このように、本発明のデータ処理システムにおいては、印刷不良が発生してからその印刷不良が解消された印刷物をユーザが取得するまでの間に技術者ＥＮ等の人手を全く必要としない。したがって、本発明のデータ処理システムでは、コストを抑えたデータ処理を実現することができる。なお、上記一連の工程を経て再印刷された印刷物においては、ほとんどの場合、印刷不良が解消された印刷結果を得ることができるが、この工程を経ても印刷不良が発生する可能性は僅かにある。そのような場合には、再度ステップＳ３２～Ｓ４３に示す工程を実行するようにしてもよい。

加えて、上述した実印刷物情報取得部２３０の各構成における情報取得方法は、上記の方法に限定されない。具体的に例示すれば、特徴量情報取得部２３１は、スキャナ以外の撮像手段（例えば、スマートフォンに内蔵されたカメラ機能や、画像形成装置の排出口等に設置された画像読み取りセンサ）を用いて読み込まれた実印刷物ＡＰの画像データを、インターネット等を介して受信することで特徴量情報５０１を取得しても良い。また、媒体情報取得部２３２は、印刷媒体ＰＭの製品コードに代えて、表示操作部２１０あるいは所定のアプリケーションを介して、ユーザが実測により取得した情報等をインタラクティブなプロセスを経て入力する、あるいは画像形成装置２００側に印刷媒体ＰＭの媒体情報５０２を取得するための種々のセンサを採用することで、画像形成装置２００内部で自動的に取得する等の方法により、媒体情報５０２を取得しても良い。さらに、環境情報取得部２３４は、画像形成装置２００に内蔵された温度湿度センサ２４０に代えて、画像形成装置２００外部に別途設けられた温度湿度センサの出力を取得すること、あるいはユーザによる入力操作により温度湿度情報を取得することにより環境情報５０４を取得しても良い。

また、上記実施の形態においては、画像形成装置２００が、環境情報取得部２３４および温度湿度センサ２４０を備えているものについて説示を行ったが、これらの構成を有していなくともよい。ただし、その場合には実印刷物情報取得部２３０で取得される情報は、特徴量情報５０１、媒体情報５０２、および第１の制御情報５０３の３つの情報のみであるから、これに対応すべく、学習済モデル記憶部２５１には、特徴量情報４０１、媒体情報４０２、および第１の制御情報４０３の３つの情報を状態変数として機械学習を実行した学習済モデル４２１が記憶され、データ処理部２６０により取得されることは、当業者であれば明確に理解できることである。

さらに、上記実施の形態においては、データ処理システムを構成する画像形成装置２００を中間転写方式のフルカラーＬＥＤプリンタとしたものについて例示を行ったが、プリンタに代えて、プリンタ以外の機能、例えばスキャナ機能やファクシミリ機能をさらに備えたデジタル複合機としてもよい。この場合は、デジタル複合機自体がスキャナ機能を備えていることから、特徴量情報５０１の取得に際し、上述した外部のスキャナＳＣを利用する必要がない。したがって、この場合には完全なオフライン状態のデジタル複合機においても、本実施の形態に係るデータ処理システムを構成することができる。

以上のように、このデータ処理システムでは、印刷速度ＳＰＡでの印刷結果を含む実印刷物情報のデータセット５００Ａ、および印刷速度ＳＰＢでの印刷結果を含む実印刷物情報のデータセット５００Ｂを取得する実印刷物情報取得部２３０と、データセット５００Ａ，５００Ｂおよび学習済モデル４２１Ａ，４２１Ｂに基づいて、第３の制御情報５１１を出力するデータ処理部２６０と、第３の制御情報５１１を記憶する制御情報記憶部３２３とを設けるようにした。データセット５００Ａ，５００Ｂのそれぞれは、実際に印刷がなされた実印刷物ＡＰにおける特徴量情報５０１と、実印刷物ＡＰに用いられた印刷媒体ＰＭの媒体情報５０２と、実印刷物ＡＰを出力した際の画像形成装置２００の制御情報である第１の制御情報５０３とを含むようにした。このように学習済モデル４２１Ａ，４２１Ｂを利用することで、技術者ＥＮによる調整を経ることなく、自動で制御情報の調整を行うことができ、以て実印刷物ＡＰに生じた印刷不良の解消を低コストで且つ高精度に実現可能なデータ処理を実現することができる。

また、このデータ処理システムでは、データ処理部２６０は、データセット５００Ａに含まれる情報を学習済モデル４２１Ａに入力することにより、画像形成装置２００の制御情報およびその制御情報を用いて印刷を行った場合における印刷不良値を算出し、データセット５００Ｂに含まれる情報を学習済モデル４２１Ｂに入力することにより、画像形成装置２００の制御情報およびその制御情報を用いて印刷を行った場合における印刷不良値を算出するようにした。そして、データ処理部２６０は、学習済モデル４２１Ａを用いて算出した印刷不良値が学習済モデル４２１Ｂを用いて算出した印刷不良値よりも小さい場合には、学習済モデル４２１Ａを用いて算出した制御情報および印刷速度ＳＰＡを示す速度制御情報を第３の制御情報５１１として出力し、学習済モデル４２１Ｂを用いて算出した印刷不良値が学習済モデル４２１Ａを用いて算出した印刷不良値よりも小さい場合には、学習済モデル４２１Ｂを用いて算出した制御情報および印刷速度ＳＰＢを示す速度制御情報を第３の制御情報５１１として出力するようにした。これにより、データ処理システムでは、２つの学習済モデル４２１Ａ，４２１Ｂのうちの予測精度が高い学習済モデル４２１が選択され、それに応じて印刷速度が設定されるので、印刷の質が高めることができる。

また、このデータ処理システムでは、実印刷物情報のデータセット５００が、特徴量情報５０１、媒体情報５０２、第１の制御情報５０３に加え、さらに環境情報５０４を含むようにしたので、画像形成装置１０の周囲の温度や湿度に応じて、制御情報を調整することができるので、印刷時の状況に応じて印刷の質を高めることができる。

＜６．データ処理システムおよびデータ処理方法の変形例＞
上記一実施の形態に係るデータ処理システムとしての画像形成装置２００は、学習済モデル記憶部２５１を内部に備えており、印刷不良を解消するためのデータ処理は、ほぼ画像形成装置２００内部で実行されるものであるが、本発明はこのような形態に限定されない。そこで、以下には一連のデータ処理を画像形成装置の外部で実施する形態のものについて説明を行う。なお、以下に示す実施の形態においては、上述した一実施の形態に係るデータ処理システムと異なる部分についてのみ説明を行い、共通する構成および機能等についてはその説明を省略するものとする。

図１４は、変形例に係るデータ処理システムの概略ブロック図である。図１４に示す通り、本実施の形態に係るデータ処理システムは、インターネットに接続されたサーバ装置３００で構成されている。また、このサーバ装置３００には、インターネットを介して複数の端末装置ＴＤ（例えば、スマートフォンやタブレット端末、ＰＣ等）および画像形成装置１０が接続されている。

サーバ装置３００は、送受信部３１０と、記憶部３２０と、データ処理部３３０と、学習済モデル修正部３４０とを備えている。送受信部３１０は、端末装置ＴＤおよび画像形成装置１０のうちの一方あるいは双方から送信される実印刷物情報のデータセット５００およびフィードバック情報を取得すると共に、後述する第３の制御情報５１１を端末装置ＴＤおよび画像形成装置１０のうちの一方あるいは双方へ送信するためのものである。送受信部３１０へのデータセット５００の送信方法は、種々の方法が採用でき、例えば特徴量情報５０１と媒体情報５０２は、端末装置ＴＤに予めインストールされたアプリケーションを介して送信され、第１の制御情報５０３および環境情報５０４は、端末装置ＴＤ内のアプリケーションの操作をトリガとして動作する画像形成装置１０によって送信されるようにしても良い。また、送受信部３１０により送信される第３の制御情報５１１は、画像形成装置１０に送信することで画像形成装置１０が第３の制御情報５１１を反映するようにしても良いし、端末装置ＴＤに送信し、ユーザがこの端末装置ＴＤが受信した情報を画像形成装置１０に入力することで画像形成装置１０に第３の制御情報５１１を反映するようにしても良い。

記憶部３２０は、サーバ装置３００内の各種情報を記憶するものであり、学習済モデル記憶部３２１と、データセット記憶部３２２と、制御情報記憶部３２３とを含んでいる。学習済モデル記憶部３２１は、種々の実印刷物情報および種々の画像形成装置に対応可能なように、複数の学習済モデル４２１が記憶されている。ここで、複数の学習済モデル４２１は、印刷方式や機能等の異なる複数種類の画像形成装置に対応すべく、画像形成装置の種類に対応して準備することが好ましい。データセット記憶部３２２は、送受信部３１０で受信した、共通する実印刷物ＡＰに係る特徴量情報５０１、媒体情報５０２、第１の制御情報５０３、および環境情報５０４を１つのデータセット５００として記憶したものである。制御情報記憶部３２３は、後述するデータ処理部３３０で出力された第３の制御情報５１１が記憶されたものである。

データ処理部３３０は、送受信部３１０で受信されデータセット記憶部３２２に記憶された特定のデータセット５００と、学習済モデル記憶部２５１に記憶された複数の学習済モデル４２１のうち、データセット５００の内容および画像形成装置の種類等に基づいて特定される一の学習済モデル４２１とを用い、この学習済モデル４２１の入力層にデータセット５００を入力することにより、第３の制御情報５１１としての転写電圧とトナー定着温度とを出力するものである。

学習済モデル修正部３４０は、送受信部３１０で受信したフィードバック情報に基づき、学習済モデル記憶部３２１内の対応する学習済モデル４２１をより高精度とするべく修正するためのものである。フィードバック情報とは、データ処理部３３０によって出力された第３の制御情報５１１に基づいて再度印刷を行った結果、印刷不良が改善しなかった、あるいは別の印刷不良は発生した場合等に、端末装置ＴＤおよび画像形成装置１０のうちの一方あるいは双方から送信される情報である。学習済モデル修正部３４０では、このフィードバック情報を対応する学習済モデル４２１に対する学習用のデータセットとして利用することで、学習済モデル記憶部３２１に一旦記憶された学習済モデル４２１をも随時修正することを可能としている。

本実施の形態に係るサーバ装置３００によるデータ処理方法は、実印刷物情報のデータセット５００の取得や第３の制御情報５１１の適用の際にインターネットを介した通信を利用すること以外は図１３に示す方法と概ね同様であるので、ここでは説明を省略する。

以上の通り、本実施の形態に係るデータ処理システムにおいては、サーバ装置３００によってデータ処理を実現しているため、既存の画像形成装置に対しても本システムを容易に適用することが可能である。また、サーバ装置３００は、学習済モデル修正部３４０を備えていることで、学習済モデル４２１が随時更新可能となり、データ処理の精度が常に向上するため、常に最適なデータ処理の結果を提供することができる。

なお、本実施の形態に係るデータ処理システムは、説明の便宜上、単一のサーバ装置３００を用いて説明を行っているが、サーバ装置の数は限定されない。また、このデータ処理システムをクラウドサービスの形態で提供することも可能である。

以上のように、このデータ処理システムでは、例えば図１４に示したように、特徴量情報５０１、媒体情報５０２、および第１の制御情報５０３を含む実印刷物情報のデータセット５００を取得する実印刷物情報取得部（送受信部３１０）と、実印刷物情報取得部により取得されたデータセット５００を、上記機械学習装置１００によって生成された学習済モデルに入力することにより、第３の制御情報５１１を出力するデータ処理部３３０と、データ処理部３３０から出力された第３の制御情報５１１を記憶する制御情報記憶部３２３とを設けるようにした。このように学習済モデル４２１を利用することで、技術者ＥＮによる調整を経ることなく、自動で制御情報の調整を行うことができ、以て実印刷物ＡＰに生じた印刷不良の解消を低コストで且つ高精度に実現可能なデータ処理を実現することができる。

本発明は上述した実施の形態に限定されるものではなく、本発明の主旨を逸脱しない範囲内で種々変更して実施することが可能である。そして、それらはすべて、本発明の技術思想に含まれるものである。

１０…画像形成装置、２０…印刷媒体供給部、２１…用紙トレイ、２２…手差しトレイ、２３…給紙ローラ、３０…画像形成部、３１，３１Ｃ，３１Ｋ，３１Ｍ，３１Ｓ，３１Ｙ…画像形成ユニット、４０…転写部、４１…中間転写ベルト、４２，４２Ｃ，４２Ｋ，４２Ｍ，４２Ｓ，４２Ｙ…一次転写ローラ、４３…バックアップローラ、４４…二次転写ローラ、５０…定着部、５１…定着ローラ、５２…加圧ローラ、６０…出力部、６１…排出トレイ、６２…搬送ローラ、７０…制御部、１００…機械学習装置、１１０…状態変数取得部、１２０…教師データ取得部、１３０…学習済モデル生成部、１４０…記憶部、２００…画像形成装置、２１０…表示操作部、２２０…出力制御部、２３０…実印刷物情報取得部、２３１…特徴量情報取得部、２３２…媒体情報取得部、２３３…制御情報取得部、２３４…環境情報取得部、２４０…温度湿度センサ、２５０，３２０…記憶部、２５１，３２１…学習済モデル記憶部、２５２，３２２…データセット記憶部、２５３，３２３…制御情報記憶部、２６０，３３０…データ処理部、２７０…速度情報取得部、３００…サーバ装置、３１０…送受信部、３４０…学習済モデル修正部、４００，４００Ａ，４００Ｂ，５００，５００Ａ，５００Ｂ…データセット、４０１，４０１Ａ，４０１Ｂ，５０１，５０１Ａ，５０１Ｂ…特徴量情報、４０２，５０２…媒体情報、４０３，４０３Ａ，４０３Ｂ，５０３，５０３Ａ，５０３Ｂ…第１の制御情報、４０４，５０４…環境情報、４１０，４１０Ａ，４１０Ｂ…教師データ、４１１，４１１Ａ，４１１Ｂ…第２の制御情報、４１２，４１２Ａ，４１２Ｂ…印刷不良値、４２１，４２１Ａ，４２１Ｂ…学習済モデル、５０５…速度情報、５１１…第３の制御情報、９００…ニューラルネットワークモデル、ＰＭ…印刷媒体、ＳＰＡ，ＳＰＢ…印刷速度。

Claims (13)

1. 第１の印刷速度および第２の印刷速度を含む複数の印刷速度で印刷可能な画像形成装置による前記第１の印刷速度での印刷結果を含む第１の状態変数データセット、および前記画像形成装置による前記第２の印刷速度での印刷結果を含む第２の状態変数データセットを取得する状態変数取得部と、
   前記第１の印刷速度に対応する第１の教師データ、および前記第２の印刷速度に対応する第２の教師データを取得する教師データ取得部と、
   前記第１の状態変数データセットおよび前記第１の教師データに基づいて機械学習を行うことにより第１の学習済モデルを生成するとともに、前記第２の状態変数データセットおよび前記第２の教師データに基づいて機械学習を行うことにより第２の学習済モデルを生成する学習済モデル生成部と
   を備え、
   前記第１の状態変数データセットおよび前記第２の状態変数データセットのそれぞれは、実際に印刷がなされた実印刷物における特徴量情報と、前記実印刷物に用いられた印刷媒体の媒体情報と、前記実印刷物を出力した際の前記画像形成装置の制御情報である第１の制御情報とを含み、
   前記第１の教師データおよび前記第２の教師データのそれぞれは、前記第１の印刷速度および前記第２の印刷速度のうちの対応する印刷速度で印刷がなされた場合の特徴量情報が所定の閾値以下になるような制御情報である第２の制御情報と、前記対応する印刷速度で前記第２の制御情報を用いて印刷を行った場合における印刷不良値とを含む
   機械学習装置。
2. 前記特徴量情報は、前記実印刷物における印刷不良の情報を含む
   請求項１に記載の機械学習装置。
3. 前記媒体情報は、前記印刷媒体のコーティングの有無、素材、厚さ、重量、および密度の情報を含む
   請求項１または請求項２に記載の機械学習装置。
4. 前記画像形成装置は、電子写真式の画像形成装置であり、
   前記第１の制御情報は、前記画像形成装置におけるトナー定着温度および転写電圧の情報を含む
   請求項１から請求項３のいずれか一項に記載の機械学習装置。
5. 前記画像形成装置は、電子写真式の画像形成装置であり、
   前記第２の制御情報は、前記画像形成装置におけるトナー定着温度および転写電圧の情報を含む、
   請求項１から請求項４のいずれか一項に記載の機械学習装置。
6. 前記第１の状態変数データセットおよび前記第２の状態変数データセットのそれぞれは、さらに、前記画像形成装置の周囲の環境情報を含む
   請求項１から請求項５のいずれか一項に記載の機械学習装置。
7. 前記環境情報は、前記画像形成装置の周囲の温度および湿度の情報を含む、
   請求項６に記載の機械学習装置。
8. 第１の印刷速度および第２の印刷速度を含む複数の印刷速度で印刷可能な画像形成装置による前記第１の印刷速度での印刷結果を含む第１のデータセット、および前記画像形成装置による前記第２の印刷速度での印刷結果を含む第２のデータセットを取得する実印刷物情報取得部と、
   前記第１のデータセット、前記第２のデータセット、請求項１から請求項５のいずれか１項に記載の機械学習装置によって生成された前記第１の学習済モデルおよび前記第２の学習済モデルに基づいて、第３の制御情報を出力するデータ処理部と、
   前記データ処理部から出力された前記第３の制御情報を記憶する制御情報記憶部と
   を備え、
   前記第１のデータセットおよび前記第２のデータセットのそれぞれは、実際に印刷がなされた実印刷物における特徴量情報と、前記実印刷物に用いられた印刷媒体の媒体情報と、前記実印刷物を出力した際の前記画像形成装置の制御情報である第１の制御情報とを含み、
   前記データ処理部は、
   前記第１のデータセットに含まれる情報を前記第１の学習済モデルに入力することにより、前記画像形成装置の制御情報およびその制御情報を用いて印刷を行った場合における印刷不良値を算出し、
   前記第２のデータセットに含まれる情報を前記第２の学習済モデルに入力することにより、前記画像形成装置の制御情報およびその制御情報を用いて印刷を行った場合における印刷不良値を算出し、
   前記第１の学習済モデルを用いて算出した前記印刷不良値が前記第２の学習済モデルを用いて算出した前記印刷不良値よりも小さい場合には、前記第１の学習済モデルを用いて算出した前記制御情報および前記第１の印刷速度を示す速度制御情報を前記第３の制御情報として出力し、前記第２の学習済モデルを用いて算出した前記印刷不良値が前記第１の学習済モデルを用いて算出した前記印刷不良値よりも小さい場合には、前記第２の学習済モデルを用いて算出した前記制御情報および前記第２の印刷速度を示す速度制御情報を前記第３の制御情報として出力する
   データ処理システム。
9. 第１の印刷速度および第２の印刷速度を含む複数の印刷速度で印刷可能な画像形成装置による前記第１の印刷速度での印刷結果を含む第１のデータセット、および前記画像形成装置による前記第２の印刷速度での印刷結果を含む第２のデータセットを取得する実印刷物情報取得部と、
   前記第１のデータセット、前記第２のデータセット、請求項６または請求項７に記載の機械学習装置によって生成された前記第１の学習済モデルおよび前記第２の学習済モデルに基づいて、第３の制御情報を出力するデータ処理部と、
   前記データ処理部から出力された前記第３の制御情報を記憶する制御情報記憶部と
   を備え、
   前記第１のデータセットおよび前記第２のデータセットのそれぞれは、実際に印刷がなされた実印刷物における特徴量情報と、前記実印刷物に用いられた印刷媒体の媒体情報と、前記実印刷物を出力した際の前記画像形成装置の制御情報である第１の制御情報と、前記画像形成装置の周囲の環境情報とを含み、
   前記データ処理部は、
   前記第１のデータセットに含まれる情報を前記第１の学習済モデルに入力することにより、前記画像形成装置の制御情報とおよびその制御情報を用いて印刷を行った場合における印刷不良値を算出し、
   前記第２のデータセットに含まれる情報を前記第２の学習済モデルに入力することにより、前記画像形成装置の制御情報およびその制御情報を用いて印刷を行った場合における印刷不良値を算出し、
   前記第１の学習済モデルを用いて算出した前記印刷不良値が前記第２の学習済モデルを用いて算出した前記印刷不良値よりも小さい場合には、前記第１の学習済モデルを用いて算出した前記制御情報および前記第１の印刷速度を示す速度制御情報を前記第３の制御情報として出力し、前記第２の学習済モデルを用いて算出した前記印刷不良値が前記第１の学習済モデルを用いて算出した前記印刷不良値よりも小さい場合には、前記第２の学習済モデルを用いて算出した前記制御情報および前記第２の印刷速度を示す速度制御情報を前記第３の制御情報として出力する
   データ処理システム。
10. コンピュータを用いて、第１の印刷速度および第２の印刷速度を含む複数の印刷速度で印刷可能な画像形成装置による前記第１の印刷速度での印刷結果を含む第１の状態変数データセット、および前記画像形成装置による前記第２の印刷速度での印刷結果を含む第２の状態変数データセットを取得する第１の処理と、
    前記コンピュータを用いて、前記第１の印刷速度に対応する第１の教師データ、および前記第２の印刷速度に対応する第２の教師データを取得する第２の処理と、
    前記コンピュータを用いて、前記第１の状態変数データセットおよび前記第１の教師データに基づいて機械学習を行うことにより第１の学習済モデルを生成するとともに、前記第２の状態変数データセットおよび前記第２の教師データに基づいて機械学習を行うことにより第２の学習済モデルを生成する第３の処理と
    を含み、
    前記第１の状態変数データセットおよび前記第２の状態変数データセットのそれぞれは、実際に印刷がなされた実印刷物における特徴量情報と、前記実印刷物に用いられた印刷媒体の媒体情報と、前記実印刷物を出力した際の前記画像形成装置の制御情報である第１の制御情報とを含み、
    前記第１の教師データおよび前記第２の教師データのそれぞれは、前記第１の印刷速度および前記第２の印刷速度のうちの対応する印刷速度で印刷がなされた場合の特徴量情報が所定の閾値以下になるような制御情報である第２の制御情報と、前記対応する印刷速度で前記第２の制御情報を用いて印刷を行った場合における印刷不良値とを含む
    機械学習方法。
11. 前記第１の状態変数データセットおよび前記第２の状態変数データセットのそれぞれは、さらに、前記画像形成装置の周囲の環境情報を含む
    請求項１０に記載の機械学習方法。
12. コンピュータを用いて、第１の印刷速度および第２の印刷速度を含む複数の印刷速度で印刷可能な画像形成装置による前記第１の印刷速度での印刷結果を含む第１のデータセット、および前記画像形成装置による前記第２の印刷速度での印刷結果を含む第２のデータセットを取得する第１のデータ処理と、
    前記コンピュータを用いて、前記第１のデータセット、前記第２のデータセット、請求項１０に記載の機械学習方法によって生成された前記第１の学習済モデルおよび前記第２の学習済モデルに基づいて、第３の制御情報を出力する第２のデータ処理と、
    前記コンピュータを用いて、出力された前記第３の制御情報を記憶する第３のデータ処理と
    を含み、
    前記第１のデータセットおよび前記第２のデータセットのそれぞれは、実際に印刷がなされた実印刷物における特徴量情報と、前記実印刷物に用いられた印刷媒体の媒体情報と、前記実印刷物を出力した際の前記画像形成装置の制御情報である第１の制御情報とを含み、
    前記第２のデータ処理は、
    前記第１のデータセットに含まれる情報を前記第１の学習済モデルに入力することにより、前記画像形成装置の制御情報とおよびその制御情報を用いて印刷を行った場合における印刷不良値を算出することと、
    前記第２のデータセットに含まれる情報を前記第２の学習済モデルに入力することにより、前記画像形成装置の制御情報およびその制御情報を用いて印刷を行った場合における印刷不良値を算出することと、
    前記第１の学習済モデルを用いて算出した前記印刷不良値が前記第２の学習済モデルを用いて算出した前記印刷不良値よりも小さい場合には、前記第１の学習済モデルを用いて算出した前記制御情報および前記第１の印刷速度を示す速度制御情報を前記第３の制御情報として出力し、前記第２の学習済モデルを用いて算出した前記印刷不良値が前記第１の学習済モデルを用いて算出した前記印刷不良値よりも小さい場合には、前記第２の学習済モデルを用いて算出した前記制御情報および前記第２の印刷速度を示す速度制御情報を前記第３の制御情報として出力することとを含む
    データ処理方法。
13. 前記第１のデータセットおよび前記第２のデータセットのそれぞれは、さらに、前記画像形成装置の周囲の環境情報を含む
    請求項１２に記載のデータ処理方法。

Images